KFold划分后训练集大小总不对是因为默认不打乱数据，当标签有序时会导致类别分布不均；应显式设置shuffle=True和random_state=42保证可复现。
sklearn.model\_selection.KFold 为什么划分后训练集大小总不对
因为 KFold 默认不打乱数据，原始顺序直接影响每折的样本分布。尤其当数据按标签排序（如前1000行全是类别0），某几折可能完全没某个类别，导致 train_test_split 看似正常、实际训练崩溃。
- 务必显式传
shuffle=True，并固定random_state保证可复现：KFold(n_splits=5, shuffle=True, random_state=42) - 若数据量小（n_splits 别设太大，否则单折训练样本过少，模型学不到规律
- 注意
KFold只分索引，不处理特征/标签对齐问题——你得自己用这些索引去切X和y，漏掉一个就报ValueError: Found array with dim 0 mismatch
用 KFold 做交叉验证时，fit() 报错 “X has 1 sample, but KFold expects more”
这是把整个数据集直接塞进 fit()，忘了循环遍历每折。KFold 本身不调用模型，它只提供索引，你得手动拆、训、测。
- 典型错误写法：
model.fit(X, y)放在for train_idx, val_idx in kf.split(X):外面 - 正确流程：每次循环内做
X_train, X_val = X[train_idx], X[val_idx]，再model.fit(X_train, y[train_idx]) - 别在循环里反复初始化模型（比如每次 new 一个
LogisticRegression()）——看起来没问题，但会掩盖超参未调优的问题；真要重置，用clone(model)更稳妥
cross\_val\_score 和手写 KFold 循环结果不一致
根本原因是默认评分方式不同：cross_val_score 用的是模型的 score() 方法（比如 LogisticRegression.score() 返回准确率），而手写循环里如果用 accuracy_score(y_pred, y_val)，看着一样，但底层可能因预测概率阈值、多分类策略等产生微小差异。
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
- 统一评分标准：手写循环中改用
model.score(X_val, y_val)，或明确指定scoring='accuracy'调用sklearn.metrics.get_scorer -
cross_val_score默认使用cv=5，但没设shuffle，所以和你自己带shuffle=True的KFold天然不等价 - 数值差异超过 0.001？检查是否混用了
y_pred = model.predict(X_val)和y_pred_proba = model.predict_proba(X_val)却没选对评分函数
验证集性能波动大，KFold 说“稳健”，但实际每次跑结果差 5% 以上
“稳健”不是指结果不变，而是指评估偏差小；波动大说明数据本身方差高，或划分方式没匹配任务特性。KFold 对时序、分组、类别极度不均衡的数据根本不适用。
立即学习“Python免费学习笔记（深入）”；
- 时间序列别用
KFold——改用TimeSeriesSplit，否则未来信息泄露到训练中 - 样本有天然分组（如同一患者多次测量），必须用
GroupKFold，否则模型偷偷记住了“人”的特征 - 类别严重不均衡（如 99% 负样本），
KFold容易某折缺少数类别样本，该换StratifiedKFold强制每折各类比例一致
真正容易被忽略的点是：KFold 只解决“怎么分”，不解决“分完怎么用”。你传给它的 X 和 y 是否已做过缺失值填充、标准化、编码？这些步骤一旦漏掉或位置放错（比如在划分后才标准化），交叉验证的结果就完全不可信。
