5.4.3 交叉验证

本节概览

单次 train-test 切分只是一个快照。交叉验证会在多个验证折上测试模型，从而得到更稳定的估计。

你会做出什么

本节会演示：

• 为什么单次 train-test 切分会有噪声；
• 分类任务如何使用 StratifiedKFold；
• 如何用 cross_validate 同时评估多个指标；
• 为什么预处理必须放进 Pipeline；
• 什么时候随机 K-Fold 是错的，尤其是时间序列。

环境准备

python -m pip install -U scikit-learn numpy

运行完整实验

新建 cv_lab.py：

import numpy as np
from sklearn.datasets import load_breast_cancer
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
from sklearn.model_selection import StratifiedKFold, cross_validate, train_test_split
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler


X, y = load_breast_cancer(return_X_y=True)

print("single_split_variance")
for seed in [1, 2, 3, 4, 5]:
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.25, random_state=seed, stratify=y
    )
    model = Pipeline([
        ("scale", StandardScaler()),
        ("clf", LogisticRegression(max_iter=2000, random_state=42)),
    ])
    model.fit(X_train, y_train)
    print(f"seed={seed} accuracy={accuracy_score(y_test, model.predict(X_test)):.3f}")

print("cross_validation_lab")
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
model = Pipeline([
    ("scale", StandardScaler()),
    ("clf", LogisticRegression(max_iter=2000, random_state=42)),
])
result = cross_validate(
    model,
    X,
    y,
    cv=cv,
    scoring=["accuracy", "precision", "recall", "f1"],
)
for i, score in enumerate(result["test_accuracy"], start=1):
    print(f"fold={i} accuracy={score:.3f}")
print(
    "summary "
    f"accuracy={np.mean(result['test_accuracy']):.3f}+/-{np.std(result['test_accuracy']):.3f} "
    f"precision={np.mean(result['test_precision']):.3f} "
    f"recall={np.mean(result['test_recall']):.3f} "
    f"f1={np.mean(result['test_f1']):.3f}"
)

运行：

python cv_lab.py

预期输出：

single_split_variance
seed=1 accuracy=0.965
seed=2 accuracy=0.972
seed=3 accuracy=0.986
seed=4 accuracy=0.972
seed=5 accuracy=0.979
cross_validation_lab
fold=1 accuracy=0.974
fold=2 accuracy=0.947
fold=3 accuracy=0.965
fold=4 accuracy=0.991
fold=5 accuracy=0.991
summary accuracy=0.974+/-0.017 precision=0.968 recall=0.992 f1=0.979

为什么一次切分不够

同一个模型在不同随机切分下分数不同：

seed=1 accuracy=0.965
seed=3 accuracy=0.986

这两个数字都不是假的，只是不同快照。交叉验证真正想问的是：在多个快照上，平均表现是多少，波动有多大？

Stratified K-Fold

分类任务优先使用 StratifiedKFold。它会尽量保持每个 fold 的类别比例接近整体数据，尤其适合不平衡分类。

cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)

K=5 是实用默认值：

• 比单次切分稳定；
• 比 10 折在大数据上更省；
• 容易向团队解释。

使用防泄漏 Pipeline

安全模式是：

Pipeline([
    ("scale", StandardScaler()),
    ("clf", LogisticRegression(max_iter=2000, random_state=42)),
])

交叉验证时，每个 fold 的 scaler 只能在该 fold 的训练部分上 fit。如果先对全量数据缩放再做 CV，验证 fold 的信息就泄漏进训练了。

读平均值和波动

summary 比单个 fold 更有用：

summary accuracy=0.974+/-0.017 precision=0.968 recall=0.992 f1=0.979

可以这样读：

• 平均 accuracy 约为 0.974；
• fold 之间波动约为 0.017；
• recall 很高，如果漏掉正类代价高，这一点很重要。

如果标准差很大，可能说明模型不稳定、数据太少，或某些 fold 特别难。

什么时候 K-Fold 是错的

下面这些情况不要随机 shuffle：

• 时间序列数据；
• 同一个用户、会话、设备的多行数据可能同时出现在训练和验证；
• 样本按患者、客户、文档或实验分组；
• 未来信息会泄漏到过去。

要使用符合真实部署的数据切分：TimeSeriesSplit、group split，或按时间保留最后一段作为 holdout。

实用选择指南

情况	使用
基础分类	StratifiedKFold(n_splits=5, shuffle=True)
回归	KFold(n_splits=5, shuffle=True)
时间序列	TimeSeriesSplit 或按时间验证
同一实体出现多次	group-aware splitting
超参数调优	nested CV 或最终 untouched test set

给有经验的读者：模型选择结束后，保留一个没有参与调参的最终 holdout 或接近生产的 backtest。

常见排查清单

现象	可能原因	修复方式
CV 分数远高于测试分数	泄漏或过度调参	把预处理放进 pipeline；保留最终 holdout
fold 分数波动很大	数据少或存在困难分群	检查 fold 构成和分群指标
某个分类 fold 没有正类	没有 stratify	使用 StratifiedKFold
时间序列模型好得不正常	未来数据泄漏	按时间验证
CV 太慢	fold 太多或模型太重	先减少 fold 或使用更快基线

练习

1. 把 n_splits 改成 3 和 10。均值和标准差怎么变？
2. 去掉单次切分里的 stratify=y。分数是否更不稳定？
3. 在 scoring 列表里加入 roc_auc。
4. 故意把 StandardScaler() 移到 pipeline 外面，然后解释为什么不安全。
5. 为“每个用户有多行事件”的数据设计验证切分。

过关检查

你能解释下面几点，就完成本节：

• 单次 train-test 切分只是一个快照；
• K-Fold 估计平均表现和波动；
• 分类任务通常应使用 stratified folds；
• 预处理必须放进 pipeline；
• 验证策略必须匹配真实部署的数据流。