在Python中，您可以使用`sklearn`库进行多次交叉验证。以下是一个使用`KFold`类进行多次交叉验证的示例：
from sklearn.model_selection import KFoldfrom sklearn.datasets import load_irisfrom sklearn.linear_model import LogisticRegression加载数据集iris = load_iris（）X = iris.datay = iris.target创建KFold对象kf = KFold（n_splits=5, shuffle=True, random_state=0）创建逻辑回归模型logreg = LogisticRegression（）进行多次交叉验证scores = []for train_index, test_index in kf.split（X）:X_train, X_test = X[train_index], X[test_index]y_train, y_test = y[train_index], y[test_index]logreg.fit（X_train, y_train）scores.append（logreg.score（X_test, y_test））输出每次验证的得分print（"每次验证的得分：", scores）输出平均得分print（"平均得分：", sum（scores） / len（scores））
在这个示例中，我们首先加载了`iris`数据集，然后创建了一个`KFold`对象，指定了`n_splits=5`，意味着我们将数据集分成5个部分（或“折”）。`shuffle=True`表示在每次分割之前，数据会被随机打乱。`random_state=0`确保每次运行代码时，数据的分割方式都是一样的，以便于结果的可复现性。
接着，我们创建了一个逻辑回归模型，并使用`kf.split（X）`来迭代地获取训练集和测试集的索引。在每次迭代中，我们使用训练集训练模型，并在测试集上评估模型的得分，然后将得分添加到`scores`列表中。
最后，我们输出每次验证的得分以及平均得分，以评估模型的性能