我正在使用cross_val_score函数和LeaveOneOut函数，因为我的数据有60个样本。

我对cross_val_score在“留一法”交叉验证（LOOCV）中如何计算每个估计结果感到困惑。

在LOOCV中，对于一个实例，它会使用59个样本进行训练，让我们假设使用决策树分类器（DTC）模型，并预测剩下的一个样本。

那么主要的问题是：它在每个实例中是否都拟合了一个新的模型（即60次不同的拟合）在cross_val_score内部？

如果是这样，事情就变得令人困惑了。

然后我可以得到一个平均准确率（60个中的平均值）来评估性能。但我需要找到一个普遍适用的最佳DTC模型，而不仅仅是基于我自己的数据，尽管它是基于我的数据的。

如果我使用全部数据，它会完美拟合，但那个模型显然是过拟合了。

我希望得到一个基于我的数据普遍适用的最佳DTC模型。

如果有帮助，这里是我的代码：

    model = DecisionTreeClassifier(random_state=27, criterion='gini', max_depth=4, max_features='auto' )    loocv = LeaveOneOut()    results = cross_val_score(model, X, y, cv=loocv)

回答：

我不完全明白你想了解什么。

它在每个实例中是否都拟合了一个新的模型（即60次不同的拟合）在cross_val_score内部？

是的，在你的情况下它确实是这样做的。在这种情况下，你有何进一步的问题来帮助澄清你的困惑？

交叉验证的理念是获取你所选择的模型构建过程的性能估计。最终的模型可以（也应该为了最大限度地利用数据）在完整的数据集上构建。然后你可以用它来预测测试数据，并且可以使用你的cross_val_score结果来估计这个模型的性能。请查看我在之前的回答中提供的更详细的回答以及非常有用的链接。

我的回答适用于较大的数据集。可能有与小数据集处理相关的细微差别是我不知道的，但我看不出为什么这种逻辑不适用于这种情况。