常用交叉验证法包括K折叠交叉验证法(K-fold cross validation)、随机拆分交叉验证法(shuffle-split cross validation)、挨个儿试试法（leave-one-out)。
K折叠交叉验证法(K-fold cross validation)
K折叠交叉验证法将数据集拆分成K个部分，再用K个数据集对模型进行训练和评分。例如K=5，则数据集被拆分成5个，其中第一个子集会被作为测试数据集，另外4个用来训练模型，之后再用第二个子集作为测试集，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，这样我们会得到5个模型的评分。模型最终的评分使用5个得分的平均分来计算。
分层K折叠交叉验证法：每个子集中都有数量基本一致的不同分类标签
不分层K折叠交叉验证法：每个子集可能都是同一个标签
wine = load_wine()
svc = SVC(kernel='linear')
scores = cross_val_score(svc, wine.data, wine.target, cv=6)
print('交叉验证得分：\n{}'.format(scores))
print('交叉验证平均分：{:.3f}'.format(scores.mean()))
交叉验证得分：
[ 0.86666667 0.9 0.93333333 0.96666667 1. 1. ]
交叉验证平均分：0.944
分析：cross_val_score默认使用3个折叠，可以通过cv参数指定K值，分类模型默认使用分层K折叠交叉验证法。
随机拆分交叉验证法(shuffle-split cross validation)
原理：先从数据集中随机抽一部分数据集作为训练集，再从其余的部分随机抽一部分作为测试集，进行评分后再迭代，重复上一步的动作，直到把我们希望迭代的次数全部跑完。
from sklearn.model_selection import ShuffleSplit
shuffle_split = ShuffleSplit(test_size=.2, train_size=.7,
n_splits = 10)
scores = cross_val_score(svc, wine.data, wine.target, cv=shuffle_split)
print('随机拆分交叉验证模型得分：\n{}'.format(scores))
随机拆分交叉验证模型得分：
[ 0.91666667 0.91666667 0.91666667 0.94444444 0.97222222 0.91666667
0.91666667 0.97222222 0.97222222 0.97222222]
分析：每次迭代测试集设置为数据集的20%，训练集设置为数据集的70%，并且把整个数据集拆分成10个子集，模型进行了10次评分，最终得分是10个分数的平均值。
挨个儿试试法（leave-one-out）
原理：把每一个数据点都当成一个数据集，数据集里面有多少样本就要迭代多少次，数据集大的话，耗时，数据集少的话，准确度高。
from sklearn.model_selection import LeaveOneOut
cv = LeaveOneOut()
scores = cross_val_score(svc, wine.data, wine.target, cv=cv)
print('迭代次数:{}'.format(len(scores)))
print("模型平均分：{:.3f}".format(scores.mean()))
迭代次数:178
模型平均分：0.955
分析：交叉验证法比train_test_split更加消耗资源，而且速度要慢一些
