这里是相关的代码和文档，我想知道在没有明确指定score参数的情况下，默认的cross_val_score输出的数组表示的是精确度、AUC还是其他一些指标？
使用Python 2.7和miniconda解释器。
http://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html
>>> from sklearn.datasets import load_iris>>> from sklearn.cross_validation import cross_val_score>>> from sklearn.tree import DecisionTreeClassifier>>> clf = DecisionTreeClassifier(random_state=0)>>> iris = load_iris()>>> cross_val_score(clf, iris.data, iris.target, cv=10)... ...array([ 1. , 0.93..., 0.86..., 0.93..., 0.93..., 0.93..., 0.93..., 1. , 0.93..., 1. ])此致，林
回答：
从用户指南中得知：
默认情况下，每次交叉验证迭代计算的分数是估计器的score方法。可以通过使用scoring参数来更改这一点：
从DecisionTreeClassifier的文档中得知：
返回给定测试数据和标签的平均准确率。在多标签分类中，这是子集准确率，这是一个严格的指标，因为你需要每个样本的每个标签集都被正确预测。
不要被“平均准确率”所迷惑，这只是计算准确率的常规方式。请查看源码：
from .metrics import accuracy_score return accuracy_score(y, self.predict(X), sample_weight=sample_weight)现在是metrics.accuracy_score的源码
def accuracy_score(y_true, y_pred, normalize=True, sample_weight=None): ... # 为每种可能的表示计算准确率 y_type, y_true, y_pred = _check_targets(y_true, y_pred) if y_type.startswith('multilabel'): differing_labels = count_nonzero(y_true - y_pred, axis=1) score = differing_labels == 0 else: score = y_true == y_pred return _weighted_sum(score, sample_weight, normalize)如果你仍然不相信:
def _weighted_sum(sample_score, sample_weight, normalize=False): if normalize: return np.average(sample_score, weights=sample_weight) elif sample_weight is not None: return np.dot(sample_score, sample_weight) else: return sample_score.sum()注意：对于accuracy_score，normalize参数默认设置为True，因此它只是返回布尔numpy数组的np.average，因此它只是正确预测的平均数。
