cross_val_score 返回多个分数是因为默认执行5折交叉验证，每折独立训练验证并返回一个分数，形成长度为5的数组；这是设计特性而非bug，用于评估模型稳定性。
cross_val_score 为什么返回多个分数而不是一个
它默认做 5 折交叉验证，每折训练+验证一次，所以返回长度为 5 的 numpy.ndarray。这不是 bug，是设计——你要的“稳定性”就藏在这组数里。
常见错误现象：cross_val_score 返回结果直接取 .mean() 就完事，却没看标准差，导致模型波动大也没察觉。
- 用
cv=10可以提升估计可靠性，但计算开销线性增加 - 传入
scoring='neg_mean_squared_error'这类带负号的指标时，记得手动取反再分析（比如-scores.mean()） - 分类任务默认用
accuracy，但样本不均衡时建议显式指定scoring='f1'或'roc_auc'
cross_val_score 和手动写 for 循环做 CV 有啥实际区别
核心差异在数据划分逻辑和 estimator 复制机制：前者每次 fold 都新建一个干净的模型实例，后者容易意外复用已拟合的模型，导致分数虚高。
使用场景：快速评估基线模型用 cross_val_score；需要保存每折的预测值、特征重要性或中间模型时，得切到 StratifiedKFold + 手动循环。
-
cross_val_score不暴露train_index/test_index，没法做 per-fold 的 debug - 它内部调用
clone(estimator)，所以传进去的模型不能带已训练的属性（比如RandomForestClassifier().fit(X, y)会报错） - 多输出或多标签任务不支持，得换
cross_val_predict或自定义 loop
为什么 cross_val_score 有时报错 “ValueError: Target is multiclass but average='binary'”
这是 scoring 参数和问题类型不匹配的典型表现，尤其在你用 make_scorer(f1_score) 却没设 average 参数时。
参数差异关键点：
- 二分类：可用
scoring='f1'或make_scorer(f1_score, pos_label=1) - 多分类：必须显式指定
average，比如make_scorer(f1_score, average='macro') - 别依赖默认值——
f1_score默认average='binary'，遇到三分类就崩
示例：
from sklearn.metrics import make_scorer, f1_score<br>score_func = make_scorer(f1_score, average='weighted')然后传给
cross_val_score(..., scoring=score_func)。
cross_val_score 跑得太慢？几个真实有效的提速手段
慢通常不是因为算法本身，而是默认行为太“保守”：比如对树模型默认不做预排序、CV 折数过多、或者数据没提前缩放导致收敛慢。
- 对
RandomForestClassifier等，加n_jobs=-1能显著加速（注意 Windows 下 multiprocessing 的限制） - 小数据集（
n_samples ）用 <code>cv=3足够，5 折反而引入噪声 - 如果 pipeline 里含
StandardScaler，确保只对训练折 fit，这点cross_val_score自动处理，但自己写 loop 时容易漏 - 避免在
scoring里调用耗时函数（比如自定义 scorer 里反复读文件或查数据库）
真正容易被忽略的是：cross_val_score 对每个 fold 都完整重训模型，它不缓存中间结果。如果你要对比十几种超参，直接套它会重复计算大量相同子过程——这时候该上 GridSearchCV 或 HalvingGridSearchCV。
