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：
```python
from sklearn.model_selection import KFold
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
加载数据集
iris = load_iris（）
X = iris.data
y = 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