首先提供三篇博客文章：BLOG ZHIHU CSDN，可以详细学习一下什么是交叉验证，以及不同的训练集和验证集的划分策略所带来的影响。emmmm…看了这三篇文章，讲的有点乱，甚至讲的是错的。MotherFucker.
交叉验证是一种用于评估机器学习模型性能的统计方法，通过将数据集分为多个子集，在不同子集上进行多次训练和测试，以减少模型过拟合和数据划分的随机性影响。其核心目的是在有限数据下更可靠地估计模型的泛化能力。注意，交叉验证的核心目的：在数据集有限的的情况下，针对数据量较小的情况下，优先考虑交叉验证。
现在我有一份数据A，我把他平均划分为k 份，每次取出来一份作为测试集，剩下的k-1 份作为训练集。这样循环训练k 次，就将所有的数据过了一遍，同时也训练除了k 个模型，然后就可以选择出来最好的一个。错！！！！！！！
真正正确的：
我把A平均分为了k 份，然后选择一份作为测试集，然后这个测试集就雷打不动了，不会变化了，绝对不允许这个测试集参与到训练中去，测试集就干测试集的事情，别插足其他的事情。
针对剩下的k-1 份，再平均分为k 份，然后每次取出来一份作为验证子集，剩下的k-1 份作为训练子集。用训练子集的数据先训练模型，然后用验证子集去跑一遍，看验证子集的损失函数、分类准确率等参数。等模型训练好之后，用测试集再去测试模型的性能。也就是说：
数据集A，分为B，C分别为训练集和测试集。测试集C就不变化了，对于训练集B，再进行K折交叉验证，不是上来就直接对所有的数据进行K折交叉验证。