机器学习进阶文档深度页
交叉验证结果报告
报告划分器、折数、种子、群组/时间定义、指标、每折结果、均值波动、搜索范围和独立测试。
学习前需要掌握
背景与问题
折间分数相关，普通标准差不能直接当严格置信区间；模型比较最好使用同一折。
概念定义
结果报告必须让他人重建评价协议，而不是只给一个“CV=0.97”。
直观理解
分数没有考试规则就无法解释和复现。
核心原理
记录数据版本、Pipeline 边界、超参数空间、软件版本和最终测试使用次数。
数学表达
核心表达
记录数据版本、Pipeline 边界、超参数空间、软件版本和最终测试使用次数。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1记录划分
- 2列每折分数
- 3计算均值/样本标准差
- 4记录耗时
代码对应位置
示例 1交叉验证结果报告 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
记录划分
- 2
列每折分数
- 3
计算均值/样本标准差
- 4
记录耗时
- 5
记录搜索范围
- 6
独立测试
- 7
保存版本
代码实现
示例 1
交叉验证结果报告 示例
交叉验证结果报告 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
scores=np.asarray(scores)
print("folds:",scores)
print(f"mean={scores.mean():.3f}, std={scores.std(ddof=1):.3f}")代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
mean- 训练特征逐列均值。
std- 训练特征逐列标准差。
scores- 交叉验证各折的评价分数。
Step 1 · 1–3 行
只从训练数据逐列计算均值与标准差，对应标准化公式中的 μ 和 σ。
scores=np.asarray(scores)
print("folds:",scores)
print(f"mean={scores.mean():.3f}, std={scores.std(ddof=1):.3f}")代码与数学原理
减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。
预期输出或运行结果
每折分数及 mean±sample std。
常见错误 · 4 条
- 不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
- 只报最高折
- 标准差当严格置信区间
- 省略预处理位置
实际应用
- 实验报告
- 模型审查
常见错误
只报最高折
标准差当严格置信区间
省略预处理位置
文档来源
13｜交叉验证：可靠评估与模型选择原始文档
学习资料/learning_tech/13_cross_validation.md- §17 如何报告交叉验证结果
- §18 常见错误
- §19 检查清单
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。