sklearn.model_selection就是选择模型的额，主要方法是cross_val_score，主要是把原始数据拿出一部分来做验证，看训练的怎么样，就像考试一样，考题和平时的练习题不一样才能知道学的怎么样，假如用训练数据做test，出现的问题就是过拟合，很好理解，就是练习题（training data 得分很高）做的非常熟练，一考试（test data 得分很低）就蒙圈。
from sklearn.model_selection import cross_val_score
scores = cross_val_score( clf, iris.data, iris.target, cv=5, scoring='f1_macro')
这里scoring是验证方法，一般分类都选用accuracy。
f1_macro，‘f1_micro’ 这两个都是针对数据非常不平等，有一个labe很少出现，比如癌症，你用accuracy来评价不科学，因为出现癌症本身的概率太小，就要用这两个指标来衡量假阳性和假阴性。
cv是k折一般，就是分成几份，k-1份训练，1分test。默认用kfold，数据是连续的。
另：吴恩达这样建议，training set，cross_validation set跟test set比例为6:2:2，即留出20%的数据专门用于test。
这可以用train_test_split来实现。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=0)
random_state是随机种子，这叫 伪随机，因为相同的随机种子会划分同样的数据集。
还有一种替代kfold，sklearn.model_selection.ShuffleSplit，先打乱数据，再分，比如股市受大盘影响比较大，用kfold来分，可以training set是震荡市，test set是下跌市，就不准。
文档这样形容[ShuffleSplit 可以替代 KFold 交叉验证，因为其提供了细致的训练 / 测试划分的 数量和样例所占的比例等的控制。
]
from sklearn.model_selection import ShuffleSplit
ss = ShuffleSplit(n_splits=3,test_size=0.25,random_state=0)
scores = cross_val_score( clf, iris.data, iris.target, cv=ss, scoring='f1_macro')
