通常，您会使用最佳模型参数，然后使用为训练留出的部分数据重新运行模型，以得出一个可以针对您的测试集运行的新“最佳”模型。

我建议你阅读关于K-Fold CV的帖子

一旦我们得到每个模型的平均分数，我们通常会从中选择最好的模型。

交叉验证是一个过程，用于通过您选择的过程（模型类型、预处理、所选超参数等）了解模型性能。假设您有 2 个模型 A 和 B，并且您想知道选择哪个模型。您将在两个模型上执行相似的 CV，并平均两个 CV 的分数以估计它们的性能。

假设A表现更好。因此，您将选择 A，然后在整个训练集上进行训练，然后在测试集上进行预测。同样的过程也适用于超参数调整。

您应该取您获得的 CV 分数的平均值。该分数将是模型性能的“指标”，而不是“最终”模型。

我们通常采用最佳模型。但是我在 Kaggle 上看到了一个笔记本，用户从 k-fold 验证中提取了最好的两个模型，然后在集成学习中使用了它们。她给最好的模特60%的权重，给第二好的模特40%的权重。你可以试试。不疼，rt？