在机器学习领域，特别是涉及到模型的调参与优化部分，k折交叉验证是一个经常使用到的方法，本文就结合示例对它做一个简要介绍。
该方法的基本思想就是将原始数据进行分组，一部分做为训练集来训练模型，另一部分做为测试集来评价模型。k折，就是将原数据分为k份，其中k-1份用于训练模型，另一份用于检验模型效果。
k折交叉验证的基本思路如下：
第一步，不重复抽样将原始数据随机分为 k 份；
第二步，挑选其中 1 份作为测试集，剩余 k-1 份作为训练集用于模型训练，在训练集上训练后得到一个模型，用这个模型在测试集上测试，保存模型的评估指标；
第三步，重复第二步 k 次（确保每个子集都有一次机会作为测试集）；
第四步，计算 k 组测试指标的平均值作为模型精度的估计，并作为当前 k 折交叉验证下模型的性能指标。
通常情况下，k一般取10；当数据量小时，k可以大一点，这样训练集占整体比例就不至于太小，但训练的模型个数也随之增多；数据量大的时候，k可以小一点。
1 使用k折交叉验证反映模型平均性能
为了贴近实用，下面以一个鸢尾花分类的例子具体说明该验证方法的细节：
上图是在没有使用k折交叉验证的情况下，一个模型初次训练之后的准确率，并不能代表模型的平均性能。
使用了k折交叉验证方法后，准确率情况如下，大致可以反映该模型的平均水平:
2 借助k折交叉验证调整模型超参数
从上图中可以知，对于每一个超参数值，选用10折交叉验证，选择12~18的超参数值最好，大于18之后，准确率开始下降（过拟合）。
来源：https://www.cnblogs.com/pythonfl/p/12299110.html