一般我們在模型訓練過程中，會採用K折交叉驗證的方法來驗證模型的表現，從而進行調參，一般我們會用到
sklearn.model_selection 的 cross_val_score 方法來計算模型的得分
scores = cross_val_score(clf, iris.data, iris.target, cv=5,scoring='accuracy')
我們看到這裏有個參數 scoring 參數，去scikit-learn官網瞭解之後發現這裏的 scoring參數是默認爲 None 的
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’)
scoring 參數可以有下面這些選擇 具體參見 scoring-parameter
這裏文檔對分類、聚類和迴歸三種問題下可以使用的參數進行了說明
分類（classification）問題中
常用的是 ‘precision’ 和 ’recall‘ 和 ’f1，三者的關係可以用下圖來表示
假設這是一個二元分類的問題
準確率（precision）也就是被分類器檢測到的數據中 分類正確的部分
召回率（recall）就是 正類中被分類正確的部分
而F1值就是 準確率和召回率的調和平均數
在實際應用中，如果是做搜索類的問題，那就是在保證召回率的情況下提升準確率
在做垃圾郵件檢測之類的問題，就是要保證準確率的情況下提升召回率
具體也就是遇到具體問題看兩者的權衡
如果兩者都要求高，那就需要保證較高的F1 score
迴歸類（Regression）問題中
比較常用的是 'neg_mean_squared_error‘ 也就是 均方差迴歸損失
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
以上屬於個人的一點理解，不足之處大家可以隨意吐槽