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训练数据分为两个互补的子集，一部分做为训练数据来训练模型，另一部分做为验证数据来评价模型。（以下将前述的两个子集的并集称为原训练集，将它的两个互补子集分别称为训练集和验证集；此处要区别验证集与测试集，验证集是原训练集的一个子集，而测试集相对于原训练集而言。）
图示如下：
k折，就是将原训练集分为k份，其中k-1份作训练集，另一份作验证集。
k折交叉验证的基本思路如下：
第一步，不重复地将原训练集随机分为 k 份；
第二步，挑选其中 1 份作为验证集，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，用这个模型在验证集上测试，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验证集）；
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；当原训练集较小时，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；原训练集较大时，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
当所需训练的模型需要调节超参数时，可以在多个不同的超参数下用训练集训练多个模型，选择在验证集上有最佳性能的超参数值，最后用测试集做一次测试，以得到推广误差率的预估。
为了避免浪费过多训练数据在验证集上，交叉验证便是常用方法：训练集分成互补的子集，每个模型用不同的训练子集训练，再用剩下的验证子集验证。一旦确定模型类型和超参数，最终的模型使用这些超参数在全部的训练集（即上文所述的原训练集）上进行训练，用测试集得到推广误差率。
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）。
注意：此处的准确率是在验证集上的准确率；在细节处理上，由于模型较小，针对每一个超参数，准确率是在10个（因为是10折交叉验证）验证集上的平均准确率。