交叉验证把数据切成 K 份，轮流用其中 1 份做验证、其余 K-1 份做训练，重复 K 次取平均，从而用有限数据得到更稳健的泛化误差估计，同时支持超参数选择。K 常取 5 或 10。

常见变体：留一法（LOOCV，K 等于样本数，偏差小但计算贵、方差大）；分层 K 折（每折保持类别比例，适合不平衡数据）；时间序列用前向滚动验证，绝不能随机打乱，否则未来信息泄漏到过去；分组 K 折保证同一实体的样本不跨折，防止数据泄漏。

易错点：在全部数据上先做特征选择或标准化再交叉验证，会造成泄漏——正确做法是把预处理放进每折内部（如 sklearn 的 Pipeline）。追问方向：为什么交叉验证不能替代独立的测试集？调参后的乐观偏差如何纠正（嵌套交叉验证）？

from sklearn.model_selection import cross_val_score
scores = cross_val_score(pipe, X, y, cv=5, scoring='f1_macro')