1.使用交叉验证进行模型评估

在前面的内容中，我们常常使用train_test_split功能来讲数据集进行拆分成训练集和测试集，然后使用训练集来训练模型，再用模型去拟合测试数据集并对模型进行评分，来评估模型的准确度。除了这种方法之外，我们还可以用一种更加粗暴的方式来验证模型的表现，也就是本节要介绍的交叉验证法（cross validation）。

1.1交叉验证法的定义：

在统计学中，交叉验证法是一种非常常用的对于模型泛化性能进行评估的方法。和我们之前所用的train_test_split方法所不同的是，交叉验证法会反复地拆分数据集，并用来训练多个模型。所以我们说这种方法更加粗暴。
在scikit-learn中默认使用的是交叉验证法是K折叠交叉验证法（K-fold crossvalidation）。

1.2K折叠交叉验证法（K-fold crossvalidation）的定义：

它将数据集拆分成K个部分，再用K个数据集对模型进行训练和评分。例如我们令k=5，则数据集被拆分成5份，其中第一个子集会被作为测试数据集，另外四个用来训练模型。之后再用第2个子集作为测试集，而另外4个用来训练模型。以此类推，直到把5个数据集全部用完，这样我们就会得到5个模型的评分。
此外，交叉验证法中海油其他的方法，例如“随机拆分交叉验证法”（shuffle-split cross validation）和“挨个试试”（leave-one-out）法。
下面先了解一下交叉验证法的使用方法，输入代码如下：

#导入红酒数据集
from sklearn.datasets import load_wine
#导入交叉验证工具
from sklearn.model_selection import cross_val_score
#导入用于分类的支持向量机模型
from sklearn.svm import SVC
wine = load_wine()
svc = S