我正在尝试通过留一法交叉验证来评估一个多变量数据集，然后移除那些对原始数据集没有预测能力的样本（经过本杰明校正，FDR > 10%）。

通过查阅交叉验证文档，我找到了留一法迭代器。然而，当我试图获取第n折的得分时，抛出了一个异常，指出需要多个样本。为什么.predict()可以工作而.score()不行？我如何获取单个样本的得分？我是否需要使用另一种方法？

未成功的代码：

from sklearn import ensemble, cross_validation, datasetsdataset = datasets.load_linnerud()x, y = dataset.data, dataset.targetclf = ensemble.RandomForestRegressor(n_estimators=500)loo = cross_validation.LeaveOneOut(x.shape[0])for train_i, test_i in loo:    score = clf.fit(x[train_i], y[train_i]).score(x[test_i], y[test_i])    print('Sample %d score: %f' % (test_i[0], score))

导致的异常：

ValueError: r2_score can only be computed given more than one sample.

[编辑，以澄清]：

我不是在问为什么这个方法不工作，而是希望找到一个可行的不同方法。在拟合/训练我的模型后，我如何测试单个样本与训练模型的拟合程度？

回答：

cross_validation.LeaveOneOut(x.shape[0]) 创建了与行数相同数量的折叠。这导致每次验证运行时仅获得一个实例。

现在，要画一条“线”，你需要两个点，而你只有一个实例，这就是错误信息所说的，需要多个实例（或样本）来画出用于计算R^2值的“线”。

一般来说，在机器学习领域，人们报告10折或5折交叉验证结果。因此，我建议将n设置为10或5，相应地进行调整。

编辑：在与@banana简短讨论后，我们意识到最初没有正确理解这个问题。由于无法为单个数据点获取R2得分，一个替代方法是计算实际点和预测点之间的距离。这可以通过numpy.linalg.norm(clf.predict(x[test_i])[0] - y[test_i])来实现