在机器学习中，我们一般会把数据集分为训练集和测试集，训练集用于创建模型，测试集用于评估模型的好坏。如果效果不好，我们就进行调参，继续在测试集上进行测试。实际上这有可能使得模型对于测试集过拟合，进而在面对新的未知数据时预测效果不好。
为了尽量避免针对测试集和训练集过拟合的问题，一般在数据量少的情况下，我们会把数据集分训练集和测试集，并且将训练集分为几份，每次取其中的一份作为验证集，交叉循环得到多个模型，用这多个模型的平均结果作为最终模型，进行测试集的评估。
