交叉验证（Cross Validation）方法思想
Cross Validation一下简称CV。CV是用来验证分类器性能的一种统计方法。
思想：将原始数据进行分组，一部分作为训练集，另一部分作为验证集，首先用训练集对分类器进行训练，然后利用验证集来测试训练得到的模型（model），以此来作为评价分类器的性能指标。
常用CV方法：
1. Hold-Out Method
将原始数据随机分为两组，一组作为训练集，一组作为验证集，利用训练集训练分类器，然后利用验证集验证模型，记录最后的分类准确率为Hold-OutMethod下分类器的性能指标。
由于是随机的将原始数据分组，所以最后验证分类准确率的高低与原始数据的分组有很大关系，这种方法 得到的结果不具有说服性。
2. K-fold Cross Validation（记为K-CV）
k折交叉验证：将原始数据分为K组（一般是均分），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型，用这K个模型的验证集的分类准确率的平均数作为K-CV分类器的性能指标。
3. Leave-One-Out Cross Validation（记为LOO-CV）
留一验证（LOOCV）意指只使用原本样本中的一项来当做验证集， 而剩余的则留下来当做训练集。 这个步骤一直持续到每个样本都被当做一次验证集。
LOO-CV有两个明显的优点:
- 每一回合中几乎所有的样本皆用于训练模型,因此最接近原始样本的分布,这样评估所得的结果比较可靠。
- 实验过程中没有随机因素会影响实验数据,确保实验过程是可以被复制的。
LOO-CV的缺点：
计算成本高,因为需要建立的模型数量与原始数据样本数量相同。
主要函数：
函数：
sklearn.cross_validation.cross_val_score
调用形式：
sklearn.cross_validation.cross_val_score(estimator, X, y=None, scoring=None, cv=None,n_jobs=1, verbose=0, fit_params=None, pre_dispatch='2*n_jobs')
返回值就是对于每次不同的划分raw data（未加工的数据）时，在test data上得到的分类的准确率。
参数解释：
estimator：不同的分类器，可以是任何分类器。比如支持向量机分类器：estimator = svm.SVC(kernel = 'linear', C = 1)
(kernel：核心 linear：直线)
cv：代表不同的cross validation的方法。如果cv是一个int值，并且提供rawtarget参数，那么就代表使用StratifiedKFold分类方式；如果cv是一个int值，并且没有提供rawtarget参数，那么就代表使用KFold分类方式；也可以给它一个cv迭代策略生成器，指定不同的cv方法。
scoring：默认None，准确率的算法，可以通过score_func参数指定；如果不指定的话，是用estimator默认自带的准确率方法。