我读了很多关于k-folds的内容，感到有些困惑。我理解其背后的概念，但不确定如何部署它。

在数据探索之后，我通常看到的步骤是train_test_split，然后对训练集进行编码和缩放，使用fit_transform，而对测试集仅进行拟合，然后测试哪些算法有效。之后，他们会调整超参数。

那么，如果我现在使用k-folds，是否可以避免使用train_test_split？我们应该在什么时候使用k-folds呢？

谢谢！

回答：

不需要。K-fold会将你的数据分成K次训练-测试拆分，因此你会训练K个不同的模型。

这种方法使得你的模型结果更加稳健，因为你用数据集的不同部分训练了K个不同的模型，并且你还对数据的不同部分进行了K次预测。最后，你可以简单地取K个模型的平均分数。