Python中留一法是分類算法中常用的一種，它的核心思想是將訓(xùn)練數(shù)據(jù)集分為兩個(gè)部分，一個(gè)用于模型的訓(xùn)練，另一個(gè)則用于模型的測試。在模型訓(xùn)練的過程中，我們將留出一部分?jǐn)?shù)據(jù)不參與訓(xùn)練，然后在模型測試的階段使用這部分留出的數(shù)據(jù)來評估模型的準(zhǔn)確率。

from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris
from sklearn.neighbors import KNeighborsClassifier
# 加載scikit-learn自帶的iris數(shù)據(jù)集
iris = load_iris()
# 將數(shù)據(jù)集分為訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=0, test_size=0.2)
# 訓(xùn)練knn模型
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(X_train, y_train)
# 預(yù)測測試集的結(jié)果
y_pred = knn.predict(X_test)
# 計(jì)算模型在測試集上的準(zhǔn)確率
accuracy = knn.score(X_test, y_test)
print("測試集準(zhǔn)確率: {:.2f}".format(accuracy))

在上面的代碼中，我們使用scikit-learn中的train_test_split函數(shù)將數(shù)據(jù)集分為訓(xùn)練集和測試集。這個(gè)函數(shù)的第一個(gè)參數(shù)是數(shù)據(jù)集的特征，第二個(gè)參數(shù)是數(shù)據(jù)集的標(biāo)簽，test_size參數(shù)表示測試集占比，random_state參數(shù)是隨機(jī)數(shù)種子，保證每次運(yùn)行結(jié)果一致。

然后我們使用KNeighborsClassifier算法訓(xùn)練模型，并使用predict函數(shù)預(yù)測測試集的結(jié)果。最后使用score函數(shù)計(jì)算模型在測試集上的準(zhǔn)確率。

使用留一法的好處是，我們可以更好地評估模型在新數(shù)據(jù)上的表現(xiàn)。這是因?yàn)槟Ｐ驮谟?xùn)練過程中沒有看到留出的數(shù)據(jù)，因此其預(yù)測結(jié)果更加準(zhǔn)確可靠，具有更好的泛化性。