你有 1000 条样本要做超参数选择。同事的做法是：用全部 1000 条训练模型，在同一份数据上算验证误差，挑出验证误差最小的那组超参数，然后把这个验证误差当作模型的最终性能汇报给业务方。请指出这个流程的问题，并写出你会怎么改，K 折在你的方案里具体怎么用。

面试官在考什么

是否理解「数据一旦参与过模型选择，就不再是无偏的泛化估计」，以及交叉验证在调参和最终评估中的正确分工。

交叉验证

回答框架 · 前两步

1. 核心问题是同一份数据既被用来选超参数、又被用来评估性能，选择过程本身就在向「在这份数据上表现好」的方向优化，导致汇报的误差系统性偏乐观。
2. 正确做法一：划分 train/val/test，在 train 上训练、val 上调超参、test 只用于最终评估一次；正确做法二：嵌套 CV，内层选超参、外层估性能。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• 请解释偏差-方差权衡。如果一个模型训练误差很低、测试误差很高，你会怎么处理？
• L1 和 L2 正则的区别是什么？为什么 L1 能产生稀疏解？从几何角度解释一下。
• 样本极度不平衡（正样本 1%）时，你会怎么评估和建模？为什么不能只看准确率？
• 交叉验证有哪些方式？时间序列数据为什么不能用随机 K 折？你实际项目里怎么切？
• 你的模型预测概率偏高或偏低（校准差），怎么发现、怎么修？为什么 AUC 高不代表概率准？
• 线上服务要你对一个模型做上线前的效果预估，但没法直接做 A/B，你会怎么估？有多大把握？