cross_val_score返回多个分数而非单一平均值，是因为它忠实输出每折交叉验证的独立评分结果，便于用户分析模型稳定性、识别异常表现及计算均值与标准差等统计量。
cross_val_score 为什么返回多个分数而不是一个平均值
cross_val_score 默认不做自动平均，它忠实返回每次折（fold）的评估结果。这是设计使然——你需要自己决定如何汇总：取均值、标准差、还是观察分布离散程度。比如模型在某折上突然崩掉，光看平均分会掩盖这个风险。
实操建议：
- 默认返回
n_splits个分数（如cv=5就返回长度为 5 的数组） - 显式计算均值和标准差：
np.mean(scores)和np.std(scores) - 别直接用
cross_val_score(...).mean()就完事，先检查scores是否存在异常值（比如某次为0.1，其余都在0.8附近） - 如果用
scoring='neg_log_loss'这类带负号的指标，记得还原符号再解释（-scores.mean()才是真实 log loss）
scoring 参数填什么才不会报错
填错 scoring 是最常见报错源头，错误信息通常是 ValueError: scoring must be a string or callable 或更隐晦的 AttributeError: 'NoneType' object has no attribute 'predict_proba'。
关键点：
- 字符串必须是 scikit-learn 内置名称，比如
'accuracy'、'f1'、'roc_auc'、'neg_mean_squared_error'；注意带neg_前缀的都是“越大越好”逻辑下的负值版本 - 分类任务用
'roc_auc'时，模型必须支持predict_proba或decision_function（比如SVC(probability=True)或LogisticRegression），否则报错 - 回归任务别误用
'f1'，会直接抛ValueError: Target is multiclass but average='binary' - 自定义评分函数必须接受
(estimator, X, y)三参数，并返回 float，且需用make_scorer包装
cv 参数设成整数 vs TimeSeriesSplit 有什么实际区别
设 cv=5 是默认的 KFold 随机打乱划分，对时间序列或有顺序依赖的数据会严重泄漏未来信息——比如用后 20% 数据训练，再预测前 80%，这在现实中不可能发生。
真实影响：
-
cv=5：随机 shuffle 后切分，适合 IID（独立同分布）数据，速度快，但时序/面板数据下评估结果虚高 -
cv=TimeSeriesSplit(n_splits=5)：按时间顺序切，每折训练集严格早于验证集，结果更可信，但训练样本逐次增加，耗时略长 - 用
GroupKFold或LeaveOneGroupOut防止同一用户/设备的数据跨训练/验证集泄露 - 检查是否 shuffle：KFold 默认
shuffle=False，但cross_val_score内部调用时若未传random_state，可能触发不确定行为
cross_val_score 和手动 for 循环做 CV 有何不可忽视的差异
看起来只是封装与没封装的区别，但底层有两处硬性差异：模型拟合隔离和数据预处理污染。
容易踩的坑：
-
cross_val_score每次 fold 都新建 estimator 实例，确保 fold 之间无状态残留；手动循环若复用同一个model对象，fit会覆盖前一次参数 - 如果用了
StandardScaler等预处理器，必须放在 Pipeline 里（如Pipeline([('scaler', StandardScaler()), ('clf', LogisticRegression())])），否则cross_val_score外部 fit 的 scaler 会用全部数据学习，造成数据泄露 - 手动循环容易忘记重置 random_state，导致不同 fold 使用相同随机种子，评估结果失真
-
cross_val_score不返回预测值，只返回 score；需要预测结果做误差分析时，得换用cross_val_predict或cross_val_split+ 手动 fit/predict
真正难的是让预处理器和模型一起被正确地“折内拟合”，这点一不留神就让 CV 结果失去意义。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
