使用cross_val_score计算的指标与从cross_val_predict（用于获取预测结果，然后传递给指标函数）开始计算的相同指标有何不同？

这里是一个例子：

from sklearn import cross_validationfrom sklearn import datasetsfrom sklearn import metricsfrom sklearn.naive_bayes import GaussianNBiris = datasets.load_iris()gnb_clf = GaussianNB()#  使用cross_val_predict计算平均准确率predicted = cross_validation.cross_val_predict(gnb_clf, iris.data, iris.target, cv=5)accuracy_cvp = metrics.accuracy_score(iris.target, predicted)#  使用cross_val_score计算平均准确率score_cvs = cross_validation.cross_val_score(gnb_clf, iris.data, iris.target, cv=5)accuracy_cvs = score_cvs.mean()print('Accuracy cvp: %0.8f\nAccuracy cvs: %0.8f' % (accuracy_cvp, accuracy_cvs))

在这种情况下，我们得到了相同的结果：

Accuracy cvp: 0.95333333Accuracy cvs: 0.95333333

然而，这似乎并非总是如此，正如官方文档中所述（关于使用cross_val_predict计算的结果）：

请注意，此计算的结果可能与使用cross_val_score获得的结果略有不同，因为元素的分组方式不同。

回答：

想象以下标签和分割

[010|101|10]

因此你有8个数据点，每个类别4个，并将其分为3个折叠，导致2个折叠包含3个元素，一个折叠包含2个元素。现在假设在交叉验证过程中你得到以下预测

[010|100|00]

因此，你的得分是[100%，67%，50%]，交叉验证得分（作为平均值）约为72%。那么预测的准确率如何呢？你显然有6/8个正确，因此为75%。如你所见，得分是不同的，尽管它们都依赖于交叉验证。这里，差异的产生是因为分割的大小不完全相同，因此最后的“50%”实际上降低了总分，因为它是对仅2个样本的平均（而其余的基于3个）。

可能存在其他类似的现象，总的来说 – 这应该归结为平均计算的方式。因此 – 交叉验证得分是对平均值的平均，这不一定是对交叉验证预测的平均。