Scikit-learn模型评估全指南：指标选择、交叉验证与避坑实践

训练完模型，顺手打印一行accuracy_score，看着0.95的分数心情不错，然后把结果丢进报告里。这个场景我见过太多次，包括几年前我自己也是这么干的。直到有一次我给一份不平衡的数据集搭分类模型，准确率高达0.97，上线后却被业务方投诉"预测得完全不靠谱"，我才真正意识到：模型评估不是"看分数好不好看"，而是"确认模型在真实场景里能不能用"。Scikit-learn作为Python机器学习生态中使用频率最高的库之一，它在模型评估这块提供了非常完整的工具链，但大多数人只用到了它的皮毛。

这篇文章我会把Scikit-learn在模型评估上的核心玩法完整梳理一遍，内容包括分类和回归任务的指标怎么选、交叉验证怎么用才严谨、评估结果怎么反哺调参方向，以及我在实际项目中踩过的几个评估相关的坑。无论你是正在做课程作业的学生，还是刚入门机器学习、准备在项目里正经做一次模型评估的开发者，这篇文章的目标就一个：让你看完之后能独立完成一次"拿得出手"的模型评估，而不是停留在调用一行score()方法。

1. 为什么模型评估比模型训练更考验功底

1.1 训练集上的"虚假繁荣"：评估的初衷

很多初学者有个根深蒂固的误解：模型在训练集上表现好，就说明模型好。实际上，机器学习的核心目标是泛化——模型在没见过的数据上做出准确预测的能力。你完全可以训练出一个在训练集上准确率100%、一到新数据上就彻底崩盘的模型，这就像学生把练习册答案背得滚瓜烂熟，考试时题目稍微变个说法就不会做了。

模型评估的存在，就是为了回答三个问题：

• 这个模型在未知数据上的表现预期是多少？
• 这个模型和另一个模型相比，谁更值得上线？
• 这个模型的错误集中在哪些类型上？是随机噪声还是系统性偏差？

这三个问题，分别对应了模型评估的三种手段：各种评估指标、模型对比实验、错误分析（比如混淆矩阵、学习曲线）。Scikit-learn把这三种手段都做成了现成的API，而且设计得相当统一，几乎都是estimator、X、y三个参数传进去就能用。

1.2 Scikit-learn在评估环节做了哪些事

很多人把Scikit-learn单纯理解成"一个机器学习的算法库"，其实它的评估工具链同样很完整。具体来说，它在模型评估上主要覆盖这几个模块：

这套工具链最大的好处是API风格高度一致。一旦你熟悉了fit、predict、score这种接口规范，换任何模型、任何数据集，评估代码的骨架几乎不用变。这种"一次学会，处处通用"的设计，是Scikit-learn在教育和工业界都站稳脚跟的重要原因。

1.3 评估流程的完整闭环：fit → predict → score → tune

我建议所有人在做模型评估时，都遵循一个固定闭环流程，而不是想到哪算哪：

1. 先划分数据：训练集、验证集（或测试集）严格分开。
2. 在训练集上fit模型。
3. 在验证集上predict，得到预测结果。
4. 用sklearn.metrics里的指标计算预测质量和真实标签的差异。
5. 根据指标结果调整模型参数或特征。
6. 重复第2到第5步，直到指标满意。
7. 最后在真正没碰过的测试集上做一次最终评估。

这个闭环看起来简单，但很多人会在第1步就出错——比如在划分数据之前就对全量数据做了标准化，导致测试集的信息"泄漏"进了训练过程。关于数据泄漏这一点，我后面会专门讲，它可以说是评估结果失真的头号元凶。

2. 环境准备：装好Scikit-learn只是第一步

2.1 安装与版本选择的细节

Scikit-learn的安装很简单，pip install scikit-learn一行命令搞定。但有几个细节需要注意：

• 一定要用虚拟环境。我见过太多人因为全局环境里包版本冲突，导致sklearn装上了但import报错。建议用python -m venv venv创建虚拟环境，或者直接用Anaconda。
• 留意版本号。Scikit-learn从1.0版本之后API变化比较快，比如1.2版本里cross_val_score的cv参数对数据划分方式的默认行为有调整，1.3版本对roc_auc_score的多分类支持做了增强。如果你照着网上的老教程写代码却报错，大概率是版本差异导致的。装完可以用sklearn.__version__确认版本。

2.2 评估前必须确认的数据格式要求

很多人写评估代码报错，根源不是评估本身，而是数据格式不对。Scikit-learn对数据格式的要求非常明确：

• 特征矩阵X必须是二维的，形状为(n_samples, n_features)，可以是numpy.ndarray或者pandas.DataFrame。
• 标签y必须是一维的，形状为(n_samples,)，不能是列向量(n_samples, 1)，否则很多评估函数会报错或者行为诡异。
• 特征矩阵里不能有字符串类型的列，必须全部是数值型。如果有分类变量，需要提前做编码处理。
• 不能有NaN。Scikit-learn的绝大多数评估函数都不接受缺失值。

这里有个小经验：如果你不确定数据格式对不对，在评估之前先打印X.shape、y.shape、type(X)、type(y)，确认之后再往下走。排查问题的时候，这一步能省下大量时间。

2.3 一个随手可用的评估基线脚本

下面这段代码是我每次做分类模型评估时的起点脚本，你可以直接抄走用。它用Scikit-learn自带的乳腺癌数据集（load_breast_cancer），先划分数据，训练一个逻辑回归模型，然后输出准确率、精确率、召回率和F1分数。

python复制from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 加载数据
data = load_breast_cancer()
X, y = data.data, data.target

# 划分训练集和测试集，stratify保证正负样本比例一致
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# 训练模型
model = LogisticRegression(max_iter=5000)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估
print(f"准确率: {accuracy_score(y_test, y_pred):.4f}")
print(f"精确率: {precision_score(y_test, y_pred):.4f}")
print(f"召回率: {recall_score(y_test, y_pred):.4f}")
print(f"F1分数: {f1_score(y_test, y_pred):.4f}")

这段代码里有两个容易被忽略但很重要的点。第一个是stratify=y，它保证训练集和测试集里正负样本的比例和原始数据一致，在分类任务里强烈建议加上。第二个是max_iter=5000，因为逻辑回归默认最大迭代次数是100，在特征量大的数据上很可能会不收敛，导致结果偏差异常大却不报错。

3. 分类模型评估：别让准确率骗了你

3.1 四类核心指标与适用场景

分类任务的评估指标看起来很多，但核心就那几个，关键是搞清楚每个指标到底在衡量什么。

准确率（Accuracy）：预测正确的样本占总样本的比例。这个指标最直观，也最容易误导人。假设一个数据集里99%的样本是负类，你只要全部预测成负类，准确率就是99%，但这个模型毫无实用价值。所以准确率只在类别分布相对均衡时才有参考意义。

精确率（Precision）：预测为正类的样本中有多少是真的正类。它回答的问题是："你说是正类的，靠不靠谱？"精确率高，意味着模型预测为正类的样本比较可信，但代价可能是漏掉很多真正的正类。

召回率（Recall）：真实正类样本中有多少被正确找出来了。它回答的问题是："真正的正类，你找回了多少？"召回率高，意味着正类样本被漏掉得少，但代价可能是把很多负类也误判成了正类。

F1分数：精确率和召回率的调和平均。它综合衡量精确率和召回率，适合在两者之间找平衡。

怎么选？我给你一个很实用的判断方法：取决于"误报"和"漏报"哪个代价更高。垃圾邮件过滤场景中，把正常邮件误判成垃圾邮件（误报）代价很高，所以优先看精确率。癌症筛查场景中，漏掉一个真正的病人（漏报）代价极高，所以优先看召回率。如果两者都重要，就综合看F1。

3.2 用一份不平衡数据集跑真实指标

光说不练假把式。我用一个实际例子来展示为什么准确率会骗人。假设我们有一个疾病检测数据集，其中正类（患病）只占5%。我构造一个"无脑预测全部为负类"的模型，看看各项指标的表现。

python复制import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 构造不平衡数据：1000个样本，950个负类（0），50个正类（1）
rng = np.random.RandomState(42)
y_true = np.array([0] * 950 + [1] * 50)
# 无脑模型：全部预测为负类
y_pred = np.zeros(1000)

print(f"准确率: {accuracy_score(y_true, y_pred):.4f}")
print(f"精确率: {precision_score(y_true, y_pred):.4f}")
print(f"召回率: {recall_score(y_true, y_pred):.4f}")
print(f"F1分数: {f1_score(y_true, y_pred):.4f}")

运行结果会显示准确率高达0.95，但精确率、召回率、F1全部为0。这就是我开头说的那个场景——准确率0.97的业务投诉。如果我当时只看准确率，根本不会发现模型完全没用；但一看召回率是0，问题立刻暴露无遗。

所以我的建议是：任何分类任务，至少同时报告精确率、召回率和F1，不要只报准确率。尤其是类别不平衡的场景，准确率几乎可以忽略不计。

3.3 ROC曲线与AUC的解读方法

除了上面四个指标，ROC曲线和AUC也是分类模型评估中绕不开的内容，特别适合用来对比不同模型的整体性能。

ROC曲线的横轴是假正率（FPR），纵轴是真正率（TPR），它刻画的是模型在不同分类阈值下"误伤负类"和"正确识别正类"之间的权衡关系。AUC就是ROC曲线下方的面积，取值范围在0到1之间。AUC=0.5说明模型和随机猜测差不多，AUC=0.8以上一般认为是可用的模型。

Scikit-learn里画ROC曲线很简单：

python复制from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt

# 注意这里用的是predict_proba，不是predict
y_score = model.predict_proba(X_test)[:, 1]
fpr, tpr, thresholds = roc_curve(y_test, y_score)
roc_auc = auc(fpr, tpr)

plt.figure(figsize=(6, 5))
plt.plot(fpr, tpr, label=f'ROC曲线 (AUC = {roc_auc:.3f})')
plt.plot([0, 1], [0, 1], 'k--', label='随机猜测')
plt.xlabel('假正率 (FPR)')
plt.ylabel('真正率 (TPR)')
plt.legend()
plt.show()

这里有个非常关键的细节：roc_curve和auc都要求输入的是模型输出的概率值，而不是类别标签。如果你把predict的结果传进去，画出来的ROC曲线会变成一个不规则的阶梯形状，AUC也往往偏低，但代码不会报错。这种"不报错但结果错"的情况是最坑人的。

4. 回归模型评估：除了R²还需要看什么

4.1 回归任务的指标族：MAE、MSE、RMSE、R²

回归任务的评估指标和分类完全不同，核心是衡量预测值和真实值之间的误差。常见的四个指标是：

平均绝对误差（MAE）：所有样本预测误差绝对值的平均值。它的单位跟预测目标一致，解释起来最直观。比如预测房价，MAE=5000就表示平均每个样本预测值偏差5000元。

均方误差（MSE）：所有样本预测误差平方的平均值。因为误差被平方了，所以大误差会被放大，对小误差相对"宽容"。如果业务上特别不能接受大的预测偏差，MSE就是一个合适的指标。

均方根误差（RMSE）：MSE开根号，单位回到预测目标的量纲。相比MSE，RMSE更容易被解释，但和MSE一样都对异常值敏感。

决定系数（R²）：模型解释了目标变量多少比例的方差。R²=1表示完美预测，R²=0表示模型跟直接用均值预测差不多，R²为负则表示模型比直接用均值还差。R²没有量纲，适合比较不同问题的模型表现。

4.2 一份回归评估的完整代码示例

我用Scikit-learn的糖尿病数据集（load_diabetes）来演示回归评估。

python复制from sklearn.datasets import load_diabetes
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
import numpy as np

data = load_diabetes()
X, y = data.data, data.target

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

model = LinearRegression()
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

mae = mean_absolute_error(y_test, y_pred)
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y_test, y_pred)

print(f"MAE: {mae:.2f}")
print(f"MSE: {mse:.2f}")
print(f"RMSE: {rmse:.2f}")
print(f"R²: {r2:.4f}")

4.3 指标的相对性与业务结合

很多人拿到回归评估结果，第一反应是纠结"R²=0.65算好还是算差"。这个问题没有标准答案，必须结合具体业务来看。

我的经验是：回归评估指标一定要放到业务背景下解读。同样是RMSE=10，如果预测的目标是房价（量级几百万），这个误差几乎可以忽略；但如果预测的目标是某件商品的销量（量级几十件），RMSE=10就是灾难。所以不要孤立地看指标，要结合目标的量级、波动的范围来综合判断。

另外有一个容易被忽略的点：R²虽然叫R²，但它不是万能的。在某些非线性关系的场景下，即便模型的预测已经很好了，R²依然不会太高。这时候需要结合残差图来判断——如果残差（真实值减预测值）在预测值方向上随机分布，没有明显的规律，说明模型的拟合是合理的。残差图在Scikit-learn里没有直接封装，但可以用matplotlib一行代码画出来：

python复制import matplotlib.pyplot as plt

residuals = y_test - y_pred
plt.scatter(y_pred, residuals, alpha=0.6)
plt.axhline(y=0, color='red', linestyle='--')
plt.xlabel('预测值')
plt.ylabel('残差')
plt.show()

如果残差图呈现出喇叭形（即预测值越大，残差波动越大），通常说明数据存在异方差性，单纯用线性回归可能有问题。

5. 交叉验证：给评估结果买一份"保险"

5.1 为什么单次train_test_split不够

很多人做模型评估的习惯是：数据划分一次，训练一次，测试一次，得出一个准确率，完事。这个做法最大的问题是结果不稳定——换一个random_state，可能准确率就波动好几个百分点。如果你的模型评估结果对随机种子非常敏感，单次划分的结果就缺乏说服力。

交叉验证的思路很朴素：既然单次划分可能"运气好"也可能"运气差"，那就多划分几次，把多次的评估结果平均起来。这样得到的评估分数更稳健，也更接近模型的真实水平。用生活里的例子类比：你评价一家餐厅，不会只吃一道菜就下结论，多试几道菜综合打分才靠谱。交叉验证就是这个道理。

5.2 cross_val_score的用法与陷阱

Scikit-learn里最常用的交叉验证API是cross_val_score。它的用法非常简单，不用手动划分数据，直接传入模型、特征、标签和折数就行：

python复制from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=100, random_state=42)
scores = cross_val_score(model, X, y, cv=5, scoring='accuracy')

print(f"每折得分: {scores}")
print(f"平均得分: {scores.mean():.4f}")
print(f"标准差: {scores.std():.4f}")

这里有几个使用陷阱：

陷阱一：分类任务默认的cv行为在版本间有变化。在Scikit-learn 1.2之前，cross_val_score对分类任务默认使用分层K折（StratifiedKFold），确保每折的正负比例和整体一致；但从1.2版本开始，有些API的默认行为发生了变化，建议在需要分类时显式指定cv=StratifiedKFold(n_splits=5)，不依赖默认行为。

陷阱二：scoring参数决定用什么指标。默认是accuracy，但正如前文所说，准确率在不平衡数据上会骗人。你可以通过scoring='f1'、scoring='roc_auc'等参数来切换。想知道支持哪些指标，用sorted(sklearn.metrics.SCORERS.keys())查看。

陷阱三：cross_val_score不返回训练分数。它只返回验证分数，也就是模型在每折留出数据上的表现。如果你还想看训练分数，用于判断过拟合，需要用cross_validate：

python复制from sklearn.model_selection import cross_validate

results = cross_validate(
    model, X, y, cv=5,
    scoring='accuracy',
    return_train_score=True
)

print(f"验证集平均分: {results['test_score'].mean():.4f}")
print(f"训练集平均分: {results['train_score'].mean():.4f}")

5.3 K折、分层K折与留一法的选择逻辑

交叉验证也有很多变体，用错了也会得出偏颇的结果。

普通K折（KFold）：把数据均分成K份，每次用K-1份训练、1份验证，循环K次。适用于回归任务或类别分布本来就均衡的分类任务。

分层K折（StratifiedKFold）：在分类任务中，每折的类别比例尽量和整体保持一致。这是分类任务的首选，我在实际项目中几乎从来不用普通K折做分类。

留一法（LeaveOneOut）：每次只留一个样本做验证，K等于样本数量。在数据量小的时候用，结果最稳定，但计算开销巨大——要在全部样本上各训练一次模型，数据量稍大就吃不消。

选择逻辑总结成一句话：回归用KFold，分类用StratifiedKFold，数据量特别小用LeaveOneOut。

6. 模型评估结果怎么反哺调参方向

6.1 从混淆矩阵定位模型错误的类型

评估不只是为了得到一个分数，更重要的是通过分析错误来指导下一步优化。混淆矩阵是这一步的核心工具。

python复制from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay

cm = confusion_matrix(y_test, y_pred)
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=data.target_names)
disp.plot()

混淆矩阵的四个格子分别对应：真正类（TP）、假正类（FP，误报）、假负类（FN，漏报）、真负类（TN）。分析混淆矩阵时，我的习惯是：

• 如果FN显著偏高，说明模型"漏报"严重，正类样本被大量放过。这时候可以考虑降低分类阈值（让更多样本被预测成正类）、增加正类样本的权重，或者收集更多正类样本。
• 如果FP显著偏高，说明模型"误报"严重，负类样本被大量误判成正类。这时候可以考虑提高阈值、使用更复杂的模型，或者增加负类样本的特征区分度。

这种"从错误类型反推优化方向"的思路，比盲目调参高效得多。

6.2 用learning curve判断偏差与方差

另一个反哺调参方向的重要工具是学习曲线（learning curve）。它展示的是：随着训练样本量增加，训练集分数和验证集分数的变化趋势。通过学习曲线，可以判断模型处于**高偏差（欠拟合）还是高方差（过拟合）**状态。

• 高偏差：训练集分数和验证集分数都很低，且两条曲线逐渐靠拢。说明模型太简单，需要增加模型复杂度、增加特征。
• 高方差：训练集分数很高，验证集分数明显低，两条曲线之间存在较大的"间隙"。说明模型过拟合了，需要增加训练数据、增加正则化、减少特征数量。

Scikit-learn里画学习曲线的代码：

python复制from sklearn.model_selection import learning_curve
import numpy as np

train_sizes, train_scores, test_scores = learning_curve(
    model, X, y, cv=5,
    train_sizes=np.linspace(0.1, 1.0, 10),
    scoring='accuracy'
)

train_mean = train_scores.mean(axis=1)
test_mean = test_scores.mean(axis=1)

plt.plot(train_sizes, train_mean, label='训练集分数')
plt.plot(train_sizes, test_mean, label='验证集分数')
plt.xlabel('训练样本数量')
plt.ylabel('分数')
plt.legend()
plt.show()

6.3 评估指标联动调参的实操思路

最后分享一个我实际调参时的联动思路，非常实用。选定某个评估指标（比如F1）之后，不要只盯着最终分数看，而是把混淆矩阵、学习曲线、交叉验证标准差这几个工具联动起来：

1. 先看cross_val_score的标准差。如果标准差很大（比如F1在0.7到0.9之间波动），说明模型对数据划分很敏感，优先考虑增加数据量或增强数据的稳定性，而不是急着调参数。
2. 再看学习曲线的训练集分数和验证集分数的差距。如果差距大，是过拟合信号，优先加正则化；如果两者都低，是欠拟合信号，优先换更复杂的模型或加特征。
3. 最后看混淆矩阵的错误分布，判断是需要调阈值、调类别权重，还是需要做特征工程。

这套流程走下来，调参方向基本不会跑偏。我以前带团队的时候发现，新人最喜欢上来就堆GridSearchCV搜参数，但搜出来的参数往往不稳健——换个种子效果就崩。先做诊断再调参，虽然慢一点，但结果更可靠。

7. 我踩过的评估相关坑：真实排查过程

7.1 标签乱序导致的评估结果失真

有一次我在做一个多分类任务，训练完模型后打印混淆矩阵，发现对角线上的数值完全不对，但准确率又挺高。排查了半天，最后发现是标签编码的问题——原始数据的类别标签是用字符串表示的，我用LabelEncoder把字符串编码成整数，但编码后打印出来的classes_顺序和我在数据里看到的不一致。而Scikit-learn评估函数在计算指标时，都是按照classes_的顺序来对齐预测结果的，一乱就全乱了。

这个问题的排查过程让我养成了一个习惯：打印混淆矩阵一定要同时显示标签名称，ConfusionMatrixDisplay的display_labels参数一定要传，不能偷懒。否则数值对不上号，你还以为是模型出了问题，实际上是展示层面错了。

7.2 数据泄漏：最常见的"分数虚高"元凶

数据泄漏可以说是模型评估里最常见的坑，而且藏得很深。我最典型的一次经历是——做了个分类模型，交叉验证的AUC高达0.98，我当时还挺高兴，后来才发现问题出在数据预处理上。

当时的流程是：先对全量数据做了标准化（StandardScaler），然后才划分训练集和测试集。问题就出在这里——标准化的时候，均值和方差是拿全量数据（包括"测试集"部分）算出来的，这就等于测试集的信息已经被模型接触过了，测试集就不是"没见过的数据"了，评估结果自然虚高。

正确做法是：先划分数据，再在训练集上fit标准化器，用同一套均值和方差去transform训练集和测试集。在Scikit-learn里，最干净的方案就是用Pipeline：

python复制from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler

# 标准化和模型打包成流水线，fit和predict只对传给它的数据操作
pipeline = make_pipeline(StandardScaler(), LogisticRegression())

scores = cross_val_score(pipeline, X, y, cv=5, scoring='roc_auc')

用Pipeline之后，交叉验证的每一折里，标准化器只会在训练折上拟合，不会再泄漏。这是我目前能想到的、在Scikit-learn里防数据泄漏最省心的方法。

7.3 多分类任务中micro与macro的误用

在多分类任务里计算精确率、召回率、F1的时候，Scikit-learn提供了average参数，常见的有'micro'、'macro'和'weighted'。很多初学者根本不管这个参数，直接用默认值，或者想当然地选一个，导致评估结果不能反映真实情况。

micro是把所有类别的样本汇总在一起计算指标，对大类别的样本更友好，适合类别不均衡时使用。macro是对每个类别单独计算指标后取平均，每个类别的权重相同，适合关注少数类别的场景。weighted是按各类别样本比例加权平均，介于两者之间。

我在一个多分类项目里犯了这样的错：当时有20个类别，其中3个主要类别占了90%的样本，其余17个类别每个只有零星几个样本。我用默认的macro算F1，结果只有0.4，看起来模型很烂；但业务上，那17个低频类别本身就很难预测，更合理的方式是用weighted，结果F1到了0.72，这才能真正反映模型在业务上的价值。

所以我的建议是：多分类任务里，先看清楚各类别样本分布，再决定用哪个average参数，而且报告的时候写清楚用的是哪种口径，避免别人产生误解。

8. 总结几个我真正觉得有价值的习惯

这些习惯是我反复踩坑后沉淀下来的，分享给大家，也是这篇文章的收尾：

• 写评估代码时，把random_state固定下来，让每一个结果都可复现。这在对比模型时尤其重要，否则你根本分不清是模型变好了，还是换了个随机种子。
• 每次评估至少保留三个维度的输出：核心指标、混淆矩阵（分类任务）、交叉验证分数。单独一个指标往往说明不了问题，组合起来才能还原模型的全貌。
• 用Pipeline把所有预处理步骤和模型打包，这是防止数据泄漏最省心的方案。我在带新人时反复强调：任何一个预处理操作，只要在划分数据之前执行，就是在给评估结果"注水"。
• 最后也是最重要的一条——评估结果差不可怕，可怕的是不敢正视评估结果。我见过很多人为了"分数好看"，反复换随机种子挑一个最高的准确率出来汇报，这种做法自欺欺人，上线后迟早翻车。模型评估的价值不在分数高低，而在于它逼着你诚实地面对模型的能力边界。就像体检报告，指标异常是好事，提前发现问题，才有机会纠正。

希望这篇文章能帮你把Scikit-learn的模型评估环节做得更扎实。如果以后你在跑评估的时候遇到奇怪的问题，回头看看这篇里的坑，可能就能少折腾几个小时。