因為sklearn cross_val_score 交叉驗證，這個函數沒有洗牌功能，添加K 折交叉驗證，可以用來選擇模型，也可以用來選擇特征
sklearn.model_selection.cross_val_score(estimator, X, y=None, groups=None, scoring=None, cv=None, n_jobs=1, verbose=0, fit_params=None, pre_dispatch=‘2*n_jobs’)
這里的cv 可以用下面的kf
關於scoring 參數問題
如果兩者都要求高，那就需要保證較高的F1 score
回歸類（Regression）問題中
比較常用的是 'neg_mean_squared_error‘ 也就是 均方差回歸損失
該統計參數是預測數據和原始數據對應點誤差的平方和的均值
公式長這樣，了解下就ok了
K折交叉驗證：sklearn.model_selection.KFold(n_splits=3, shuffle=False, random_state=None)
n_splits：表示划分幾等份
shuffle：在每次划分時，是否進行洗牌
random_state：隨機種子數
屬性：
①get_n_splits(X=None, y=None, groups=None)：獲取參數n_splits的值
②split(X, y=None, groups=None)：將數據集划分成訓練集和測試集，返回索引生成器
通過一個不能均等划分的栗子，設置不同參數值，觀察其結果
①設置shuffle=False，運行兩次，發現兩次結果相同
from sklearn.model_selection import KFold
...: import numpy as np
# np.arange(起始，終點，步長)
# np.reshape() 是數組對象中的方法，用於改變數組的形狀 這里是12維，每組兩個元素
...: X = np.arange(24).reshape(12,2)
...: y = np.random.choice([1,2],12,p=[0.4,0.6])
...: kf = KFold(n_splits=5,shuffle=False)
...: for train_index , test_index in kf.split(X):
...: print('train_index:%s , test_index: %s ' %(train_index,test_index))
----------------------------------------------------------------
train_index:[ 3 4 5 6 7 8 9 10 11] , test_index: [0 1 2]
train_index:[ 0 1 2 6 7 8 9 10 11] , test_index: [3 4 5]
train_index:[ 0 1 2 3 4 5 8 9 10 11] , test_index: [6 7]
train_index:[ 0 1 2 3 4 5 6 7 10 11] , test_index: [8 9]
train_index:[0 1 2 3 4 5 6 7 8 9] , test_index: [10 11]
shuffle=True
train_index:[ 0 1 2 3 4 5 7 8 11] , test_index: [ 6 9 10]
train_index:[ 2 3 4 5 6 8 9 10 11] , test_index: [0 1 7]
train_index:[ 0 1 3 5 6 7 8 9 10 11] , test_index: [2 4]
train_index:[ 0 1 2 3 4 6 7 9 10 11] , test_index: [5 8]
train_index:[ 0 1 2 4 5 6 7 8 9 10] , test_index: [ 3 11]
n_splits 屬性值獲取方式
這里的cv 可以是cv