您的方法存在一些问题。
首先，您当然不必在培训和验证列表（即您的2个内部循环）中 一个接一个地手动 添加数据
for。简单的索引就可以完成工作。
此外，我们通常从不计算和报告训练CV折叠的错误-仅验证折叠的错误。
请记住这些，并将术语切换为“验证”而不是“测试”，这是一个使用波士顿数据的可复制示例，应直接进行调整以适应您的情况：
from sklearn.model_selection import KFoldfrom sklearn.datasets import load_bostonfrom sklearn.metrics import mean_absolute_errorfrom sklearn.tree import DecisionTreeRegressorX, y = load_boston(return_X_y=True)n_splits = 5kf = KFold(n_splits=n_splits, shuffle=True)model = DecisionTreeRegressor(criterion='mae')cv_mae = []for train_index, val_index in kf.split(X): model.fit(X[train_index], y[train_index]) pred = model.predict(X[val_index]) err = mean_absolute_error(y[val_index], pred) cv_mae.append(err)
之后，您
cv_mae应该是这样的（由于简历的随机性质，细节会有所不同）：
[3.5294117647058827, 3.3039603960396042, 3.5306930693069307, 2.6910891089108913, 3.0663366336633664]
当然，所有这些显式的东西并不是真正必需的。您可以使用轻松得多
cross_val_score。不过有一个小问题：
from sklearn.model_selection import cross_val_scorecv_mae2 =cross_val_score(model, X, y, cv=n_splits, scoring="neg_mean_absolute_error")cv_mae2# resultarray([-2.94019608, -3.71980198, -4.92673267, -4.5990099 , -4.22574257])
除了不是真正的问题的负号之外，您还会注意到结果的方差看起来比
cv_mae上面的要大得多；原因是我们没有对数据进行 洗牌
。不幸的是，
cross_val_score没有提供改组选项，因此我们必须使用手动进行
shuffle。因此，我们的最终代码应为：
from sklearn.model_selection import cross_val_scorefrom sklearn.utils import shuffleX_s, y_s =shuffle(X, y)cv_mae3 =cross_val_score(model, X_s, y_s, cv=n_splits, scoring="neg_mean_absolute_error")cv_mae3# result:array([-3.24117647, -3.57029703, -3.10891089, -3.45940594, -2.78316832])
褶皱之间的差异明显较小，并且更接近我们的初始
cv_mae…
