我是机器学习的初学者，希望有人能帮助我。

在 Python 的“scikit-learn”库中，函数“train_test_split”将数据集拆分为训练集和测试集。这是以随机方式完成的（可能使用种子在重复执行中获得相同的结果）。但是，对于单个随机拆分，我们可以在多大程度上信任通过“拟合”方法获得的结果（分类准确度）？我的意思是……如果我们“不走运”，我们可能会得到一个非常糟糕的结果（或者相反，如果我们“走运”）。我们不应该多次重复拆分/拟合过程（例如，100 次），然后平均获得的分类准确度吗？（可能在通过交叉验证进行参数调整之后）。

我问这个是因为之前我使用了 Python 的 Orange Data Mining 库，其中包括一个方法（'proportion_test'），它将数据集拆分为训练集和测试集，然后根据特定的分类器对其进行评估，重复操作指定的次数次（例如，它执行 100 次 70:30 测试的迭代）。我的问题是：我是否也应该使用 scikit-learn 中的拆分/拟合功能手动执行此操作？（例如，使用 100 个不同的随机种子进行 100 次迭代）。结果会更好吗？

我对此感到非常困惑......

我想强调一下，我知道交叉验证、遗漏一个等。但是，如果我理解正确，这些技术将用于模型验证（即模型参数调整）。我的问题是模型的最终评估是否应该基于重复的拆分/拟合操作。例如，在《Introduction to Machine Learning with Python》一书中（Andreas C. Müller 和 Sarah Guido，O'Reilly），建议的操作流程是：（1）将原始数据集拆分为训练集和测试集；（2）在训练集上使用交叉验证进行参数调优（即最佳参数选择）；(3) 使用刚刚找到的最佳参数与训练集重新训练；(4) 使用训练好的模型和（单个）测试集进行最终评估（计算分类精度）。我的问题是：这够了吗？或者，一旦使用最佳参数训练了分类器（上面的第 3 步），我是否应该在整个数据集（原始训练 + 测试集）上多次重复拆分/拟合过程以获得更可靠的结果？我使用 Orange 库做到了这一点，但也许没有必要（上面引用的书中没有这样做）。

非常感谢您的帮助！