在运行交叉验证过程后，可以计算所有 K 折叠的预测连接的全局性能，这取决于目标和指标（例如，折叠的平均准确度与全局准确性，但并非每个评估措施都是如此）。

但很多时候，目标不仅包括准确地测量性能，还包括测量跨折叠的性能方差，以检测不稳定性。这不能从预测的串联中完成，因此将折叠结果分开通常更方便。

（这是我的解释，可能还有其他原因）

我不是 100% 确定你的意思。在 k-fold CV 中，您将训练集划分为$k$大小相等的子集。一次伸出其中一个折叠，您可以在剩余的折叠上训练模型$k-1$folds 以预测保留的折叠。因此，最后，您对训练数据中的每个观察结果都有一个预测。

现在，您可以用两种等效的方式计算平均准确度：对于每一折，计算平均准确度，然后平均 k 个平均值。或者，您对每一次观察的平均准确度。这两个值是相同的（直到舍入误差），因为您所做的只是采取中间步骤来计算每个折叠的平均值。好处是你节省了内存，因为你只需要保留$k$值（每次折叠的平均准确度）而不是$N$值（训练集中每个观察值一个值）。

结果可能会有所不同（即使在实践中，它并不真正重要，但仅适用于某些指标！）

假设您对具有 11 个观察值的集合执行 2 折交叉验证。因此，您将有一个包含 5 个元素的测试集的迭代，然后是另一个包含 6 个元素的测试集。

如果您在全局范围内计算计算精度，这要归功于全局混淆矩阵（它将有 5+6=11 个元素），这可能与计算两个折叠的平均值不同。因为，使用平均程序，您将对每个折叠赋予相同的权重（此处 = 0.5），即使它们没有完全相同数量的观察值。同时，通过全局程序，您将对每个观察值赋予不同的权重。

当然，当您的观察数超过 11 (...) 时，差异是微不足道的（但仍然存在）。如果您在每个折叠中具有（完全相同）相同数量的观察值，则平均过程给出的结果等于全局结果（例如，对于具有 10 个和 11 个元素的 2 折叠 CV）。

但是对于其他指标，例如给定类的精度，这提出了一个更基本的问题，即使在实践中仍然很少见。

假设您为分类任务执行 5 倍 CV，但其中一个目标类不存在。有时，对于 5 倍的某个迭代但不是全部，该模型可以学会根本不预测该类。因此，从数学上讲，您无法计算该给定模态的精度，因为您的模型不会将任何测试观察结果预测为属于该类。

例如，对于 5 次折叠中的 3 次，模型会这样做，而对于另外 2 次则不会。如果您计算一个全局混淆矩阵，然后从中计算出该类的精度，那么您可以在数学上做到这一点。但是，如果您执行“平均/平均程序”，则不能，因为对于某些（2）折叠，您无法（在数学上）计算它。

所以，这可能是另一个问题:)，我们应该选择哪一个（全局或平均值）来计算有时无法计算的指标。当然，您可以定义，因此决定，每次无法计算指标时允许的值（假设为 0），但这并不是真正的争论......）

这是讨论您的问题的某篇文章（不是唯一一篇）的链接（如果链接断开，则文章名称为 Forman 和 Scholz 的“Apples-to-Apples in Cross-Validation Studies: Pitfalls in Classifier Performance Measurement”） .