scikit-learn交叉验证，带有均方误差的负值
当我将以下代码与X大小为（952,144）的数据矩阵和大小y为（952）的输出向量一起使用时，mean_squared_error度量标准将返回负值，这是意外的。你有什么主意吗？
from sklearn.svm import SVR
from sklearn import cross_validation as CV
reg = SVR(C=1., epsilon=0.1, kernel='rbf')
scores = CV.cross_val_score(reg, X, y, cv=10, scoring='mean_squared_error')
则所有值scores均为负。
问题答案：
试图解决这一问题，因此请提供David和larsmans在评论部分雄辩地描述的答案：
是的，这应该发生。实际的MSE只是您获得的号码的肯定版本。
统一评分API始终使得分最大化，因此为了使统一评分API正常工作，否定了需要最小化的得分。因此，当返回的分数是一个应该最小化的分数时将被否定，如果分数应该是最大的则保持正数。
-
本文向大家介绍scikit-learn 使用交叉验证训练分类器，包括了scikit-learn 使用交叉验证训练分类器的使用技巧和注意事项，需要的朋友参考一下 示例 使用虹膜数据集： 数据分为训练集和测试集。要做到这一点，我们使用train_test_split效用函数来分割双方X和y（数据和目标矢量）用随机选择train_size=0.75（训练集包含数据的75％）。 训练数据集被输入到k最近邻
-
问题内容： 是否可以在没有交叉验证的情况下使用GridSearchCV？我正在尝试通过网格搜索优化KMeans聚类中的聚类数量，因此我不需要或想要交叉验证。 该文档也使我感到困惑，因为在fit（）方法下，它有一个用于非监督学习的选项（例如，将None用于非监督学习）。但是，如果您想进行无监督学习，则需要在没有交叉验证的情况下进行学习，而且似乎没有摆脱交叉验证的选择。 问题答案： 经过大量搜索，我能
-
交叉验证 那么什么时候才需要交叉验证呢？交叉验证用在数据不是很充足的时候。比如在我日常项目里面，对于普通适中问题，如果数据样本量小于一万条，我们就会采用交叉验证来训练优化选择模型。如果样本大于一万条的话，我们一般随机的把数据分成三份，一份为训练集（Training Set），一份为验证集（Validation Set），最后一份为测试集（Test Set）。用训练集来训练模型，用验证集来评估模型预
-
1）在我读过的大多数机器学习入门页面中，似乎都在说你需要一个训练集、一个验证集和一个测试集。根据我的理解，交叉验证允许你结合训练和验证集来训练模型，然后你应该在测试集上测试它以得到一个分数。然而，我在论文中看到，在很多情况下，您可以在整个数据集上交叉验证，然后报告CV得分作为准确性。我知道在一个理想的世界里，你会想要在不同的数据上进行测试，但如果这是合法的，我想要在我的整个数据集上交叉验证并报告那
-
根据scikit-learn的文档 你觉得呢？