交叉验证通过将数据集分割成多个小的部分来工作。这些部分通常被称为“折”（folds）。通过这种方式，模型可以在一部分数据上进行训练，并在另一部分数据上进行测试。
K折交叉验证（K-Fold Cross-Validation）：这是最常见的交叉验证类型。数据集被划分为K个大小相等的折。模型在K-1个折上训练，并在剩下的一个折上测试。这个过程重复K次，每次选择不同的折作为测试集。
留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）：在这种方法中，如果有N个数据点，就会进行N次训练和测试。每次留下一个数据点作为测试集，其余的N-1个点用于训练。
1.分割数据：将数据集分割成K个折。
2.训练和验证：对于每一个折，训练模型并在剩余的折上验证。
3.性能评估：记录每次验证的性能，例如准确度、召回率等指标。
4.平均结果：计算所有验证循环的平均性能。
泛化能力：由于模型在多个不同的训练集上训练和验证，它有助于评估模型的泛化能力。
减少偏差：有助于减少模型选择和评估时的偏差。
计算成本：尤其在大型数据集和复杂模型上，交叉验证可能非常耗时。
数据分布：如果数据集的分布不均匀，标准的K折交叉验证可能不够有效。
它的主要目的是评估模型在未见过的数据上的表现能力，从而减少过拟合的风险。
我有一百套卷子，我用前80套来训练学习知识点，后20套进行考试，评估一下自己的水平。
有可能我学习的比较死板，死记硬背了前80套卷子的题，没有真正学习到前80套卷子中的知识点，导致在考试的时候，考试的20套卷子，考出来的水平不如意。不如训练的时候做题水平，学习的有点“过拟合”了。
为了防止这种现象，我前80套卷子学习，后20套卷子考试。然后，第60~80套卷子用于考试，其他卷子用于学习。如此往复，把100套卷子其实都过一遍，然后每套卷子都用来考试一下。
前80套卷子用于学习，后20套用于考试：这相当于传统的训练集和测试集划分。您用80套卷子进行“训练”（学习知识点），然后用剩下的20套卷子进行“测试”（评估自己的水平）。这种方法的风险在于，如果您的学习方式太依赖于训练集中的具体题目（即过拟合），可能导致在实际考试（测试集）中表现不佳。
为防止死记硬背，交替使用不同的卷子进行训练和测试：这正是交叉验证的核心。通过这种方法，您确保每套卷子都被用于测试您的知识，而不仅仅是用来训练。这就像在K折交叉验证中，数据集的每个部分都轮流作为测试集和训练集。
通过全面覆盖所有卷子，提高应对新题型的能力：通过这种策略，您不仅学习了所有的题目，还确保了对每套题都有一定的应对能力。这类似于交叉验证中的模型能够在不同的数据子集上进行训练和评估，从而提高了对新数据的处理能力，即提高了泛化能力。