交叉验证是机器学习建立模型和验证模型参数时常用的方法。使用该方法就是为了在数据量较小的情况下重复使用数据，将得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，测试集来评估模型预测的好坏。
简单交叉验证：随机将样本数据分为两部分（７０％训练集，３０％测试集），然后用训练集来训练模型，在测试集上验证模型及参数。接着
再把样本打乱，重新选择训练集和测试集，继续训练数据和验证模型。最后选择损失函数评估最优的模型和参数。
Ｓ折交叉验证：将样本数据随机分成Ｓ份，每次随机选择Ｓ－１份作为训练集，剩下的一份作为测试集。当这一轮完成后，重新随机选择
Ｓ－１份训练。若干轮（小于Ｓ）后，选择损失函数评估最优的模型和参数。
留一交叉验证：是Ｓ折的一个特例，即Ｓ等于样本数Ｎ时，这样对于Ｎ个样本，每次随机选择Ｎ－１个样本来训练数据，留一个样本来验证
模型预测的好坏。适用于样本量极少的情况。
如果只是对数据做一个初步的模型建立，不是要做深入分析，简单交叉验证就可以。否则就用Ｓ折交叉验证。在样本量少时，使用留一交叉验证。
