我一直在使用 sklearns learning_curve ，并且文档没有回答我的一些问题（另请参见此处和此处），以及更普遍的关于 sklearn 的函数提出的问题
这是我的数据集模型的一些学习曲线
以及产生它们的代码：
train_sizes, train_scores, valid_scores =learning_curve(linear_regression_model,rescaled_X_train,Y_train)
axes[0,0].plot(train_sizes,train_scores)
axes[0,1].plot(train_sizes,valid_scores)
train_sizes, train_scores, valid_scores =learning_curve(random_forest_model, rescaled_X_train,Y_train)
axes[1,0].plot(train_sizes,train_scores)
axes[1,1].plot(train_sizes,valid_scores)
- 该文档看起来像是，该线
learning_curve(linear_regression_model, rescaled_X_train, Y_train)适合模型，而不是简单地显示模型拟合过程以前的行为？
一种。如果它再次拟合模型——你如何传递超参数（例如 SVM 的 gamma 或最大树深度）并确定正在使用的成本函数？
湾。如果不是，这似乎很奇怪。我会假设线性回归器默认情况下只适合最小二乘，而不是涉及 k 倍验证的东西，因为如果我正确查看上面的图表，它似乎是这样。这是sklearn通常适合回归者的方式吗？
- 这些图上的 y 轴是准确度得分吗？