StratifiedKFold比KFold更适合分类任务，因其强制每折保持原始类别比例，避免某折缺失少数类导致训练或评估失效；而KFold仅均匀切分，不保障类别分布，易在类别不平衡时产生失真结果。
为什么 StratifiedKFold 比 KFold 更适合分类任务？
因为分类问题中各类样本数量常不均衡，直接用 KFold 可能导致某折里缺某个类别，模型训练或评估失效。而 StratifiedKFold 保证每折中各类比例与原始数据一致——它不是简单打乱后切分，而是先按标签分组、再在每组内均匀采样。
注意：它只支持一维整数或字符串标签（y），不能处理多标签（如 MultiLabelBinarizer 输出）或连续值目标；若 y 是浮点型但实际是离散类别（比如 0.0/1.0），需先转成 int 或 str，否则会报 ValueError: Supported target types are: ('binary', 'multiclass'). Got 'continuous'。
怎么手动调用 StratifiedKFold 切分数据？
别依赖 cross_val_score 黑盒，自己控制分割逻辑更利于调试和定制（比如保存每折索引、插入预处理逻辑）。
- 用
n_splits=5创建实例，shuffle=True必须设，否则分层效果受限于原始数据顺序 -
random_state=42要固定，否则每次运行结果不同，无法复现 - 调用
.split(X, y)返回生成器，每个元素是(train_index, test_index)元组 - 用
X.iloc[train_index]（Pandas）或X[train_index]（NumPy）取子集，别直接用布尔索引混用
from sklearn.model_selection import StratifiedKFold
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for train_idx, test_idx in skf.split(X, y):
X_train, X_test = X.iloc[train_idx], X.iloc[test_idx]
y_train, y_test = y.iloc[train_idx], y.iloc[test_idx]
# 训练、验证逻辑写在这里在 cross_val_score 或 cross_val_predict 中启用分层？
这两个函数本身不感知“分层”，全靠传入的 cv 参数驱动。只要把 StratifiedKFold 实例传进去，就自动生效。
立即学习“Python免费学习笔记（深入）”；
- 别写
cv=5—— 这会退化为普通KFold - 正确写法：
cv=StratifiedKFold(n_splits=5, shuffle=True, random_state=42) - 如果用
cross_val_predict，输出长度一定等于len(y)，但注意：它内部仍按分层逻辑分配训练/预测轮次，不是简单并行
常见坑：scoring='f1' 在二分类时默认用 average='binary'，但如果 y 含多个类别且某折里只出现一个类（极小概率，但 StratifiedKFold 下几乎不会），仍可能触发 UndefinedMetricWarning——这时应显式指定 scoring='f1_macro' 或检查数据标签分布。
当标签只有两类但样本极少时，StratifiedKFold 会怎样？
它要求每类至少有 n_splits 个样本。例如 n_splits=5 时，若某类只有 3 个样本，就会报错：ValueError: The least populated class in y has only 3 members, which is less than n_splits=5.
解决办法：
- 降低
n_splits（比如改用 3 折） - 换用
StratifiedShuffleSplit：它不强制每折都含所有类，而是尽量保持比例，适合极小数据集 - 人工过采样（如
SMOTE）或欠采样前，先确认是否真有必要做交叉验证——样本太少时，留出法（hold-out）反而更稳定
真正容易被忽略的是：即使满足最小样本数，如果某类样本数刚好等于 n_splits，那每折该类只有 1 个样本，模型可能因数据太单薄而波动剧烈——这时得看业务场景是否允许接受这种方差，而不是单纯追求“用了分层”。
