在对数据的每一折 (90%) 进行训练时，您将对剩余的 10% 进行预测。使用这 10%，您将计算一个错误度量（例如，RMSE）。这为您留下：10 个 RMSE 值和 10 组相应的预测。有两件事可以做到这些结果：

1. 检查 10 个 RMSE 值的平均值和标准差。k-fold 对您的数据进行随机分区，并且每个折叠的错误不应相差太大。如果是这样，则不能期望您的模型（及其特征、超参数等）在测试集上产生稳定的预测。

2. 将您的 10 组预测聚合为 1 组预测。例如，如果您的训练集包含 1,000 个数据点，您将有 10 组 100 个预测 (10*100 = 1000)。当您将它们堆叠到 1 个向量中时，您现在会得到 1000 个预测：原始训练集中的每个观察值都有 1 个。这些被称为折叠预测。有了这些，您可以一次性计算整个训练集的 RMSE，如rmse = compute_rmse(oof_predictions, y_train)。这可能是评估最终预测变量的最简洁的方法。

取k个准确度分数的平均值是宏观平均值。取 1000 个单独预测的平均值（如 cavaunpeu 的回答中所述）是一个微观平均值。两者都是合法的并且应该彼此大致相似，因此您可以使用更方便的任何一个 - 或者为了完整性而报告两者。