我正在使用 sklearn 进行交叉验证（5 倍）。
交叉验证。 我获取数据集并将其用于 5 倍交叉验证。 返回的分数（全部 5 个）在 0.80 到 0.85 范围内
直接培训 如果我使用相同的数据集和训练测试分割（0.2 测试部分）并直接拟合和预测，我会得到大约 0.70 的准确度。 （召回率和 ROC AUC 也小于该值）。
所以， 在交叉验证中，单个折叠组合等于我们直接在训练测试分割中所做的，对吧？那为什么会有这么大的差别呢？我读到原因是交叉验证过度拟合训练数据。但是当考虑交叉验证的单个设置（组合）时，它不是与直接拟合和预测相同吗？如果我以某种方式知道交叉验证中特定组合分割数据的确切方式，并使用该确切的分割方法在直接方法中使用，我不应该获得相同的准确性吗？
在不查看代码和数据的情况下，我只能给出有根据的猜测。首先，我们需要验证数据集的原因是为了调整超参数。使用交叉验证，我们尝试找到最佳超参数，为我们提供验证集上的最佳预测精度。因此，最终模型及其选择的超参数“过度拟合”验证数据集。因此，验证数据集的预测准确性并不是模型性能的真实衡量标准。您需要有一个从未接触过的测试数据集来评估您的模型性能。 如果仅在没有验证集的情况下使用训练/测试拆分，则测试数据集上的性能可能会更差，因为
您的超参数未调整，因为您没有验证 数据集