交叉验证（Cross Validation）是一种常用的模型评估方法，其基本思想是将数据分为K个互不重叠的子集（通常称为“折”），每次选取其中K-1个子集作为训练集，剩下的一个子集作为测试集，进行模型训练和评估。这个过程会重复K次，每次选择不同的子集作为测试集，最后将所有的测试结果求平均值。其中最常用的是K-Fold交叉验证。
交叉验证的主要目的是在有限的数据中，尽可能地利用数据进行模型训练和评估。相比于简单的模型训练-测试方法，交叉验证具有以下优点：
更充分地利用数据：交叉验证可以将数据分为多份，每份都能够被用于训练和测试，从而更好地利用数据。
更客观地评估模型性能：每个模型都会在不同的测试集上进行评估，最终的评估结果可以更客观地反映出模型的真实性能。
降低模型过拟合的风险：通过多次迭代的模型训练和测试，可以减少模型对特定数据的过拟合风险。
更好地选择模型参数：交叉验证可以用于选择不同的模型参数（如正则化参数），从而得到更好的模型性能。
总之，交叉验证是一种非常重要的机器学习评估方法，可以帮助我们更好地理解模型的性能和优缺点，并优化模型的参数和结构。