Kaggleのコンテストに scikit-learn 0.13.1 を使用しています。私はデシジョン ツリー分類器を使用しており、estimator を評価するために、train_test_split を介してトレーニング データを分割するか、cross_val_score を使用して相互検証を行う手法に従います。どちらの手法でも、推定器が約 90% 正確であることを示します。ただし、実際のテスト データに対して推定器を使用すると、得られる精度は約 30% 低くなります。トレーニング データがテスト データの適切な表現であると仮定しましょう。
推定器の精度を評価するために他に何ができますか?
clf = tree.DecisionTreeClassifier( )
...
X_train, X_test, y_train, y_test = train_test_split(train, target, test_size=0.3, random_state=42)
...
clf.fit(X_train, y_train)
print "Accuracy: %0.2f " % clf.score(X_test, y_test)
...
scores = cv.cross_val_score(clf, train, target, cv=15)
print "Accuracy: %0.2f (+/- %0.2f)" % (scores.mean(), scores.std() / 2)