用于 R-squared 的交叉验证
交叉验证是评估模型的关键方法。它让模型能够最大化可用数据量，因为模型不仅在全部可用数据上训练，也会在其上进行测试。
在本练习中，您将构建一个线性回归模型，然后使用 6 折交叉验证来评估其在基于社交媒体广告支出来预测销售额时的准确性。您将展示每一折的单独得分。
数据集 sales_df 已拆分为目标变量 y 和特征 X，并已为您预加载。LinearRegression 已从 sklearn.linear_model 导入。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 导入
KFold和cross_val_score。 - 调用
KFold()创建kf，将分割数设为 6，shuffle设为True，并设置随机种子为5。 - 在
X和y上使用reg执行交叉验证，将kf传给cv。 - 打印
cv_scores。
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 necessary modules
from ____.____ import ____, ____
# Create a KFold object
kf = ____(n_splits=____, shuffle=____, random_state=____)
reg = LinearRegression()
# Compute 6-fold cross-validation scores
cv_scores = ____(____, ____, ____, cv=____)
# Print scores
print(____)