交叉验证可分解为交叉和验证，两者都必不可少。
先讲讲较常见的cross-validation的例子
step 1: 将有标签的数据平均分为6份, D1, D2, D3, D4, D5, D6, 将D6设置成测试集，不参与任何的模型训练和参数选择，只用来评估最后模型的结果
step 2: 对所有想要测试数据预处理，模型和参数的组合列出来 (unigram 处理特征的 c=1 的 linear SVM, bigram 处理特征的 c=1 的 linear SVM)。
step 3: D1 到 D5轮流做validation set, 用剩余四个做模型训练集， 训练每一个step 2 得到的组合。并在validation set上计算度量指标（MSE, ACCURACY, F1等）。
step 4: 根据每个模型组合在五个validation set中的平均指标，选出最好的模型组合
step 5: 选择最好的模型参数组合， 使用D1,D2,D3,D4,D5来进行训练，并计算在D6上的指标，用此来估计模型的泛化误差
作者：大数据小学生
链接：https://www.zhihu.com/question/39259296/answer/623836397
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
来源：https://www.cnblogs.com/focusonoutput/p/12424325.html