用途：为组学与生物医学数据的预测模型提供可靠的性能验证，回答“把该流程用到新数据上会得到什么”这一估计问题。核心原则是：所有依赖数据的步骤必须留在重采样循环内，且不得用同一批数据既做选择又做评分。
主要能力：嵌套交叉验证（内层 GridSearchCV 调参、外层 cross_val_score 评分，Pipeline 内完成预处理与特征选择）；分组与结构化切分（StratifiedGroupKFold、TimeSeriesSplit）；小样本下 RepeatedStratifiedKFold 并报告波动区间；校准评估（calibration_curve、brier_score_loss）与再校准（CalibratedClassifierCV 配合 FrozenEstimator）；决策曲线净收益；外部验证与 TRIPOD+AI 报告要求。
必要用法：把 scaler、特征选择、插补、ComBat 等全部放入 Pipeline 再传给 cross_val_score/GridSearchCV；分组时通过 groups= 传给 cross_validate 或 GridSearchCV.fit；校准须用与训练、测试都不重叠的 fold。示例导入包括 cross_val_score、StratifiedKFold、GridSearchCV、Pipeline、StandardScaler、SelectKBest、LogisticRegression、StratifiedGroupKFold、RepeatedStratifiedKFold、calibration_curve、CalibratedClassifierCV、brier_score_loss、sklearn.frozen.FrozenEstimator。
适用场景：组学分类器、生物标志物模型、需要概率驱动决策的临床预测模型，以及站点或时间迁移性评估。
限制与注意：CalibratedClassifierCV(cv='prefit') 在 1.6 弃用、1.8 移除，需改用 FrozenEstimator；AUC 对单调变换不变，无法反映校准；不平衡数据下准确率、F1 易误导，AUPRC 基线应为患病率；留一法对 AUC 等排序指标不稳定；样本量不应沿用“每变量 10 事件”旧准则。版本兼容与包签名差异需自行核对。