cross_val_score需谨慎使用：默认cv不分层致类别泄露，scoring默认指标在不平衡数据中失真，必须检查均值与标准差并显式指定stratifiedkfold、合适scoring及每折数据分布。
cross_val_score 能快速给出泛化能力的粗略估计，但直接调用它不等于完成评估——你得知道它默认怎么分、默认用什么指标、默认忽略什么风险。
cv 参数不写整数，就可能泄露类别分布
用 cv=5 看似简单，但它对分类任务不做分层（stratification），尤其在类别不平衡时，某折可能缺少数类样本，导致得分虚高或崩溃。比如二分类中正样本只占 5%，cv=5 可能某折训练集全为负样本，模型学不到正例模式。
- 正确做法：显式传入
StratifiedKFold(n_splits=5, shuffle=True, random_state=42) - 验证方式：打印每折的
y_train和y_test中各类别计数，确认比例一致 - 时间序列数据必须用
TimeSeriesSplit，否则未来信息会混进训练集
scoring 参数不指定，就会踩默认陷阱
cross_val_score 的 scoring 默认值取决于 estimator 类型：分类器用 'accuracy'，回归器用 'r2'。这在类别严重不平衡时非常危险——一个总预测负类的模型也能拿到 95%+ 准确率。
- 二分类且正样本稀少：改用
'f1'或'average_precision' - 多分类不平衡：用
'f1_weighted'，避免宏平均失真 - 想看概率校准质量：用
'neg_log_loss'，注意结果是负值，需手动取反 - 不能混用：
'roc_auc'要求预测为概率或决策函数输出，predict()不支持
只看 mean() 就忽略方差，可能误判稳定性
返回的数组如 [0.96, 0.89, 0.93, 0.91, 0.95]，平均 0.928 看似不错，但标准差 0.027 暗示波动不大；若变成 [0.99, 0.72, 0.98, 0.75, 0.97]，均值仍 0.882，但标准差跳到 0.12——说明模型对数据划分极度敏感，泛化不可靠。
- 每次必须同时检查
scores.mean()和scores.std() - std > 0.05（分类）或 > 0.1（回归）就该警惕，优先查数据清洗、特征工程或 CV splitter 是否合理
- 不要把
cross_val_score当作最终部署依据，它不提供预测结果，无法画 ROC 曲线或分析误分类样本
需要预测结果时，别用 cross_val_score，换 cross_val_predict
cross_val_predict 返回与原始 X 长度一致的预测向量，适合后续做混淆矩阵、特征归因或阈值调优。但它不是“训练一次再预测”，而是每折独立训练+预测，所以输出不可用于提取 feature_importances_（每次树结构不同，重要性不可叠加）。
- 要概率输出：确保 estimator 有
predict_proba方法，并传return_proba=True - 慎用于回归：若模型对异常值敏感，某折的 outlier 可能拉偏整轮预测，建议配合残差分析
- 和
cross_val_score一样，cv和scoring参数逻辑完全一致，不能省略分层或指标指定
cross_val_score，而是判断哪一折的低分是噪声、哪一折暴露了真实缺陷——这需要你手动 inspect 每折的训练/测试集构成，而不是依赖一行平均值。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！
