使用 sklearn 进行交叉验证
正如第 2 章所述，过拟合数据集是分析中常见的问题。模型把训练数据"记得太牢"时就会发生这种情况：在训练用的数据集上表现很好，但在外部数据上无法泛化。
虽然您在第 2 章学到的训练/测试集划分可以避免模型对训练集过拟合，但在进行超参数调优时，可能会对测试集产生过拟合，因为调优的目标是让模型在测试集上取得最佳预测结果。因此，建议在不同的测试集上验证模型。K 折交叉验证可以做到这一点：
- 将数据集划分为训练集和测试集；
- 拟合模型、进行预测并计算得分（您可以指定需要的指标，如准确率、精确率、召回率……）；
- 总共重复上述过程 k 次；
- 输出 10 次得分的平均值。
在本练习中，您将对我们的数据集使用交叉验证，并使用 cross_val_score 函数评估结果。
本练习是课程的一部分
HR Analytics：用 Python 预测员工流失
练习说明
- 从模块
sklearn.model_selection导入用于实现交叉验证的函数cross_val_score()。 - 打印模型的交叉验证得分，使用超参数
cv指定 10 折。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import the function for implementing cross validation
from sklearn.model_selection import ____
# Use that function to print the cross validation score for 10 folds
print(____(model,features,target,____=10))