问在分裂成折叠之前对数据进行洗牌。

EN

这是个很好的问题。对每个超参数点使用相同的折叠分裂可以将超参数调整为数据分割。然而，对于每个超参数点使用不同的折叠分裂使得它们之间的比较不是(准确地)苹果对苹果。

我认为为每个超参数设置相同的折叠更好。作为参考，请注意sklearn的xyzSearchCV函数的执行方式是这样的:它们采用带有折叠的搜索点的乘积，并适合这些组合中的每一个。你可以通过反复的k-折叠来缓解过度分裂的问题。

我正在运行一个4倍交叉验证的超参数调优使用sklearn的'cross_validate‘和'KFold’函数。假设我的训练数据集已经被洗牌了，那么在分割成批/折叠(即KFold函数中的洗牌参数)之前，我是否应该对每一次超调参数调优重新洗牌数据？

不，它不需要，在分裂之前需要洗牌。

我假设，如果结果取决于洗牌，那么模型就不稳定了。这是正确的吗？

你说得对，好模型在每一个数据组合上都有很好的表现。

然而，这对模型也可能不公平，因为每次我运行交叉验证时，每个折叠的数据都是不同的(也就是说，每个超参数组合都是在完全不同的折叠上评估的)，所以结果是不可复制的。例如，第一次调优迭代的折叠#1中的训练/验证数据集与第二次调优迭代的折叠#1数据集不同。

您可以进行交叉验证以检查每个数据块的性能。你的任务完成得非常慷慨。