Python 如何根据交叉验证分数进行预测？

我正在建立一个预测模型。在获得交叉验证分数之前，我一直努力达到目标。现在我不知道如何继续。我应该使用什么函数来使用交叉验证分数进行预测

X=data.iloc[：，0:16]
Y=data.iloc[：，16]
验证大小=0.20
种子=7
X_序列，X_验证，Y_序列，Y_验证=模型选择。序列测试分割（X，Y，
测试大小=验证大小，随机状态=种子）
型号=[
（'LR'，logisticsregression（）），
（'CART'，DecisionTreeClassifier（）），
（'KNN'，KNeighborsClassifier（）），
（'SVM'，SVC（））
]
结果，名称=[]，[]
对于名称，模型中的模型：
种子=32
得分=‘准确度’
kfold=model\u selection.kfold（n\u splits=10，random\u state=seed）
cv\u结果=模型选择。交叉值评分（模型，X\u序列，Y\u序列，cv=kfold，评分=评分）
结果。追加（cv_结果）
name.append（name）
msg=“%s:%f（%f）”%（名称，cv_results.mean（），cv_results.std（））
打印（msg）

交叉验证通常用作更稳健的验证方案，用于检查您的模型是否运行良好。之后，您可以在对交叉验证分数感到满意后，使用整个数据集训练模型，也可以使用

sklearn.model_selection.cross_val_predict

---

预测交叉验证的估计。有关更多信息，请查看

交叉验证主要用作一种更稳健的验证方案，用于检查您的模型是否运行良好。之后，您可以在对交叉验证分数感到满意后，使用整个数据集训练模型，也可以使用

sklearn.model_selection.cross_val_predict

---

预测交叉验证的估计。有关更多信息，请查看

交叉验证分数用于选择对给定应用程序和数据表现最佳的模型，而不是用于进行预测。然后，您可以选择具有最佳CV分数的模型，并使用该模型进行预测。交叉验证分数用于选择对给定应用程序和数据表现最佳的模型，而不是用于进行预测。然后，您可以选择具有最佳CV分数的模型，并使用该模型进行预测。“CV结果=模型选择。交叉值分数（分类器，X\U序列，Y\U序列，CV=kfold，评分=评分）。”Y_pred=model_selection.cross_val_predict（分类器、X_验证、Y_验证、cv=kfold）``上述预测函数是否使用我们根据列车数据构建的现有模型？我看不出我们构建的模型是如何传递给这个函数的。还有，为什么我们必须将输出传递给预测函数？您可以将任何模型传递给该函数。至于y，根据文档，您可以跳过它。``cv\U结果=模型选择。交叉值评分（分类器，X\U序列，y\U序列，cv=kfold，评分=评分）``我知道上面的代码集给出了根据序列数据构建的模型的准确度估计。`````Y_pred=model_selection.cross_val_predict（分类器、X_验证、Y_验证、cv=kfold）``上述预测函数是否使用我们根据列车数据构建的现有模型？我看不出我们构建的模型是如何传递给这个函数的。还有，为什么我们必须将输出传递给预测函数？您可以将任何模型传递给该函数。至于y，根据文档，您可以跳过它。