如何在sklearn中无需重启内核获取多次运行的平均Accuracy Score？

方法1：在当前内核中重复训练多次取平均 #

直接通过循环重复训练、评估流程，无需重启内核就能得到多次结果的平均值，代码示例：

from xgboost import XGBClassifier
from sklearn.metrics import accuracy_score
import numpy as np

# 定义模型参数
model_params = {"n_estimators": 1000, "max_depth": 2, "learning_rate": 0.02}
accuracy_list = []

# 重复训练10次
for _ in range(10):
    model_xgbc = XGBClassifier(**model_params)
    model_xgbc.fit(xtrain, ytrain)
    predictions = model_xgbc.predict(xtest)
    accuracy_list.append(accuracy_score(predictions, ytest))

# 计算并输出平均准确率
mean_acc = np.mean(accuracy_list)
print(f"10次训练平均准确率: {mean_acc}")
print(f"各次训练准确率: {accuracy_list}")

方法2：设置固定随机种子得到稳定结果 #

如果只是需要一个稳定的准确率数值，给XGBClassifier添加random_state参数固定随机性，这样每次训练结果完全一致，无需重复运行：

from xgboost import XGBClassifier
from sklearn.metrics import accuracy_score

# 设置固定随机种子（数值可自定义）
model_xgbc = XGBClassifier(n_estimators=1000, max_depth=2, learning_rate=0.02, random_state=42)
model_xgbc.fit(xtrain, ytrain)
predictions = model_xgbc.predict(xtest)
test_accuracy = accuracy_score(predictions, ytest)
print(f'稳定准确率分数: {test_accuracy}')

方法3：用交叉验证评估模型泛化能力 #

如果想更全面评估模型的稳定性，推荐使用sklearn的交叉验证工具，它会自动划分训练集为多个子集，多次训练评估，结果更具参考性：

from xgboost import XGBClassifier
from sklearn.model_selection import cross_val_score
import numpy as np

model_xgbc = XGBClassifier(n_estimators=1000, max_depth=2, learning_rate=0.02)
# 5折交叉验证，输出各折准确率及平均值
cv_scores = cross_val_score(model_xgbc, xtrain, ytrain, cv=5, scoring='accuracy')
print(f"交叉验证各折准确率: {cv_scores}")
print(f"交叉验证平均准确率: {np.mean(cv_scores)}")

内容的提问来源于stack exchange，提问作者beridzeg45