以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文

继续基于 Scikit-Learn 库的相关模块，向大家介绍 Python 中一些模型验证及调优的工具。
为了方便后续的演示，首先导入示例数据集 iris，并对数据特征与标记（即模型的自变量与因变量）进行提取划分：




构建一个 KNN 分类模型 model，用于验证准备：



模型拟合与预测：




导入 metrics 模块的 accuracy_score 函数，该函数能够帮助我们计算模型的准确率：


1.0
交叉验证是机器学习中常用的模型验证方法，这需要我们将数据集划分为训练集与验证集，cross_validation 模块中的 train_test_split 函数能够帮助我们实现较轻松的划分：
0.90666666666666662
后文还有介绍 k-fold 交叉验证的工具 cross_val_score 、模型参数调优、绘制模型拟合的曲线等，内容较多，先搬运到这，有需要的同学可以先直接到 数析学院 查看原文