NotFittedError（实例尚未安装）调用 cross_validate

Question

这是我最小的可复制示例：

x = np.array([
   [1, 2],
   [3, 4],
   [5, 6],
   [6, 7]
])  
y = [1, 0, 0, 1]

model = GaussianNB()
scores = cross_validate(model, x, y, cv=2, scoring=("accuracy"))

model.predict([8,9])

我打算做的是实例化一个高斯朴素贝叶斯分类器并使用sklearn.model_selection.cross_validate交叉验证我的模型（我使用

cross_validate

而不是

cross_val_score

因为在我的真实项目中我需要精度，召回和 f1 以及）。

我在文档中读到

cross_validate

确实“通过交叉验证评估指标并记录适合/得分时间。”

我预计我的

model

会安装在

x

（特征），

y

（标签）数据上但是当我调用

model.predict(.)

时我得到：

sklearn.exceptions.NotFittedError：此 GaussianNB 实例尚未拟合。在使用此估算器之前，使用适当的参数调用“fit”。

当然它说我在“使用估算器”之前调用

model.fit(x,y)

（即在调用

model.predict(.)

之前。

当我调用

cv=2

时，模型不应该被安装

cross_validate(...)

次吗？

Answer 1

仔细查看

cross_validate

文档表明它包含一个论点：

return_estimator : bool, default=False

是否返回安装在每个拆分上的估计器。

所以，默认情况下它不会返回任何拟合估计量（因此它不能用于

predict

）。

为了使用拟合估计器进行预测，您需要将参数设置为

True

；但要注意，您将 not 得到一个 single 拟合模型，但是许多模型等于您的

cv

参数值（这里是 2）：

import numpy as np
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import cross_validate

x = np.array([
   [1, 2],
   [3, 4],
   [5, 6],
   [6, 7]
])  
y = [1, 0, 0, 1]

model = GaussianNB()
scores = cross_validate(model, x, y, cv=2, scoring=("accuracy"), return_estimator=True)
scores
# result:
{'fit_time': array([0.00124454, 0.00095725]),
 'score_time': array([0.00090432, 0.00054836]),
 'estimator': [GaussianNB(), GaussianNB()],
 'test_score': array([0.5, 0.5])}

因此，为了从每个拟合模型中获得预测，您需要：

scores['estimator'][0].predict([[8,9]])
# array([1])

scores['estimator'][1].predict([[8,9]])
# array([0])

这可能看起来不方便，但它是这样设计的：

cross_validate

一般只返回诊断和评估所需的分数，而不用于拟合模型用于预测。