k折交叉验证二次迭代报数组真值歧义ValueError如何解决？

报错触发在trainSet.remove(fold)这行代码。
Python内置列表的remove()方法执行时，会遍历列表内所有元素，和目标元素做相等性判断，找到第一个匹配的元素执行删除。你用来划分数据集的folds列表中，每个fold内部的元素包含numpy数组类型的值，两个包含numpy数组的列表做==比较时，不会返回单个布尔值，而是返回逐元素比较的布尔数组，Python对布尔数组做真值判断（用来确认是否匹配到要删除的元素）时就会触发你遇到的这个报错。

• 函数参数使用错误：kFCVEvaluate函数定义时的形参是dataset，但函数内部调用split_dataset时传入的是全局变量data，如果二者不一致会导致数据划分完全错误
• 回归精度计算逻辑错误：你当前直接用actual - predicted得到的是每个样本的误差数组，不是单值的精度指标，回归任务需要用MSE、MAE、R²这类回归评价指标计算分数，另外actual是Python列表，predicted是sklearn返回的numpy数组，做运算前需要先把actual转成numpy数组避免类型兼容问题

1. 把trainSet.remove(fold)替换成按索引删除的逻辑，避免相等性判断：

for i, fold in enumerate(folds):
    # 直接按索引拼接训练集，不用remove方法
    trainSet = folds[:i] + folds[i+1:]
    trainSet = sum(trainSet, [])
    # 后续原有逻辑保持不变

2. 修正参数调用，把split_dataset(data)改成split_dataset(dataset)
3. 修正精度计算逻辑，比如用均方误差MSE的话可以改成：

import numpy as np
# 先把实际值转成numpy数组
actual = np.array([row[-1] for row in testSet])
predicted = model.predict(testSet)
# 计算MSE作为评价分数
mse = np.mean((actual - predicted)**2)
scores.append(mse)

内容的提问来源于stack exchange，提问作者imdatyaa