什么是交叉验证？
交叉验证是一种将原始数据集划分为若干个子集，反复训练和验证模型的策略。
交叉验证（Cross-Validation）适用于你在模型调参（如逻辑回归中的 C）
最常用的：K 折交叉验证（K-Fold Cross Validation）
将数据集平均分成 K 份，每次取其中 1 份做验证，剩下的 K-1 份做训练，重复 K 次，最终将 K 次的结果取平均。
图示流程（以 K=4 举例）
| 轮次 | 训练集 | 验证集 |
|---|---|---|
| 1 | [2,3,4] | [1] |
| 2 | [1,3,4] | [2] |
| 3 | [1,2,4] | [3] |
| 4 | [1,2,3] | [4] |
最后将 4 次的验证结果平均，得到模型在未见数据上的稳定表现。
为什么要使用交叉验证？
| 作用 | 说明 |
|---|---|
| ✅ 稳定评估模型表现 | 解决只依赖单一测试集带来的评估波动问题 |
| ✅ 防止过拟合 | 多次训练验证，有助于检测模型是否泛化能力不足 |
| ✅ 用于超参数选择 | 常用于网格搜索、正则化参数调优（如逻辑回归中的 C） |
什么时候该用交叉验证？
| 场景 | 是否推荐使用交叉验证 |
|---|---|
| 数据量较小 | ✅ 强烈建议 |
| 不平衡分类问题 | ✅ 建议配合 StratifiedKFold |
| 模型调参（如 C、k、深度） | ✅ 必用 |
| 数据量极大（上百万） | ❌ 考虑分批验证或子集评估 |
代码使用：
from sklearn.model_selection import cross_val_scorecross_val_score(estimator, X, y=None, *, scoring=None, cv=None,n_jobs=None, verbose=0, fit_params=None, pre_dispatch='2*n_jobs',error_score=np.nan)
参数详解：
| 参数名 | 类型 | 说明 |
|---|---|---|
estimator | 模型对象 | 要评估的模型，例如 ‘model = LogisticRegression()’后直接传入‘model’即可 |
X | ndarray / DataFrame | 特征数据集 |
y | array-like | 目标标签（监督学习必须） |
scoring | str 或 callable | 指定评估指标（如 accuracy, recall, f1, roc_auc 等） |
cv | int 或 交叉验证对象 | 交叉验证折数，如 cv=5；或 StratifiedKFold, KFold 等对象 |
n_jobs | int | 并行执行的任务数：-1 使用所有核心，1 表示不并行 |
verbose | int | 控制打印的详细程度（0为不输出，越大越详细） |
fit_params | dict | 要传递给 estimator.fit() 的额外参数（少用） |
pre_dispatch | str | 控制预分发任务数，默认 '2*n_jobs'，通常无需改动 |
error_score | ‘raise’ 或 float | 出错时返回分数，或抛异常。默认返回 NaN |
实战案例：用交叉验证寻找最优惩罚因子 C
信用卡欺诈检测数据集 creditcard.csv
-
数据来源信用卡欺诈检测实战数据集_数据集-阿里云天池
https://tianchi.aliyun.com/dataset/101562?accounttraceid=c1258603818f44d6a57fe125248cc969rkgu -
样本总数：284,807 条
-
特征数：30（28个匿名特征 + 金额
Amount+ 时间Time） -
目标变量：
Class（0=正常交易，1=欺诈交易）
import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression # 导入逻辑回归模型
from sklearn.model_selection import train_test_split, cross_val_score # 用于数据拆分和交叉验证
from sklearn.preprocessing import StandardScaler # 用于数据标准化处理
from sklearn import metrics # 用于模型评估指标计算data = pd.read_csv('creditcard.csv')# 初始化标准化器，对交易金额(Amount)进行标准化处理
scaler = StandardScaler()
data['Amount'] = scaler.fit_transform(data[['Amount']]) # 准备特征数据X（排除时间和目标变量）和目标变量y（欺诈标签，1表示欺诈，0表示正常）
X = data.drop(["Time","Class"], axis=1)
y = data.Class# 将数据拆分为训练集(70%)和测试集(30%)，设置随机种子保证结果可复现
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=100)#----------------------------------------------------------------------------------------
# 以下部分用于寻找最优的正则化参数C
c_range = [0.01, 0.1, 1, 10, 100] # 定义要尝试的正则化参数C的取值范围（C越小，正则化强度越大）
scores = [] # 存储不同C值对应的交叉验证平均召回率
for c in c_range:model = LogisticRegression(C=c, penalty='l2', solver='lbfgs', max_iter=1000) # 初始化逻辑回归模型，指定正则化参数C、L2正则化、求解器和最大迭代次数score = cross_val_score(model, X_train, y_train, cv=8, scoring='recall') # 使用8折交叉验证，计算模型在训练集上的召回率recallscore_mean = sum(score) / len(score) # 计算交叉验证召回率的平均值scores.append(score_mean) # 将平均召回率添加到列表中print(score_mean)
# 找到最大平均召回率对应的C值，作为最优惩罚因子
best_c = c_range[np.argmax(scores)] #argmax返回数组中最大值所在的索引位置
print(f'最优惩罚因子为：{best_c}')
#----------------------------------------------------------------------------------------# 使用最优惩罚因子训练最终的逻辑回归模型
model = LogisticRegression(C=best_c, penalty='l2', solver='lbfgs')
model.fit(X_train, y_train)K-Fold Cross Validation 背后的原理（做了什么）
cross_val_score(model, X, y, cv=8) 等价于以下操作：
-
将数据按 8 等份分割
-
第一次拿前 7 份训练，第 8 份验证 → 计算指标
-
第二次拿 1,2,3,4,5,6,8 训练，第 7 份验证 → 计算指标
-
...
-
得到 8 个指标结果，返回组成数组
它自动完成了分割、训练、预测和评分！
常见扩展：StratifiedKFold（保持类别比例）
对于不平衡数据（如欺诈检测），StratifiedKFold 是更合适的选择，它能在每一折中保持正负样本比例一致。
from sklearn.model_selection import StratifiedKFoldskf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(model, X_train, y_train, cv=skf, scoring='recall')
