在機器學習領域，特別是涉及到模型的調參與優化部分，k折交叉驗證是一個經常使用到的方法，本文就結合示例對它做一個簡要介紹。
該方法的基本思想就是將原訓練數據分為兩個互補的子集，一部分做為訓練數據來訓練模型，另一部分做為驗證數據來評價模型。（以下將前述的兩個子集的並集稱為原訓練集，將它的兩個互補子集分別稱為訓練集和驗證集；此處要區別驗證集與測試集，驗證集是原訓練集的一個子集，而測試集相對於原訓練集而言。）
圖示如下：
k折，就是將原訓練集分為k份，其中k-1份作訓練集，另一份作驗證集。
k折交叉驗證的基本思路如下：
第一步，不重復地將原訓練集隨機分為 k 份；
第二步，挑選其中 1 份作為驗證集，剩余 k-1 份作為訓練集用於模型訓練，在訓練集上訓練后得到一個模型，用這個模型在驗證集上測試，保存模型的評估指標；
第三步，重復第二步 k 次（確保每個子集都有一次機會作為驗證集）；
第四步，計算 k 組測試指標的平均值作為模型精度的估計，並作為當前 k 折交叉驗證下模型的性能指標。
通常情況下，k一般取10；當原訓練集較小時，k可以大一點，這樣訓練集占整體比例就不至於太小，但訓練的模型個數也隨之增多；原訓練集較大時，k可以小一點。
1 使用k折交叉驗證反映模型平均性能
為了貼近實用，下面以一個鳶尾花分類的例子具體說明該驗證方法的細節：
上圖是在沒有使用k折交叉驗證的情況下，一個模型初次訓練之后的准確率，並不能代表模型的平均性能。
使用了k折交叉驗證方法后，准確率情況如下，大致可以反映該模型的平均水平:
2 借助k折交叉驗證調整模型超參數
當所需訓練的模型需要調節超參數時，可以在多個不同的超參數下用訓練集訓練多個模型，選擇在驗證集上有最佳性能的超參數值，最后用測試集做一次測試，以得到推廣誤差率的預估。
為了避免浪費過多訓練數據在驗證集上，交叉驗證便是常用方法：訓練集分成互補的子集，每個模型用不同的訓練子集訓練，再用剩下的驗證子集驗證。一旦確定模型類型和超參數，最終的模型使用這些超參數在全部的訓練集（即上文所述的原訓練集）上進行訓練，用測試集得到推廣誤差率。
從上圖中可以知，對於每一個超參數值，選用10折交叉驗證，選擇12~18的超參數值最好，大於18之后，准確率開始下降（過擬合）。
注意：此處的准確率是在驗證集上的准確率；在細節處理上，由於模型較小，針對每一個超參數，准確率是在10個（因為是10折交叉驗證）驗證集上的平均准確率。