使用隨機森林算法時用到了交叉驗證，突然陷入沉思，有測試集的情況下用交叉驗證做什么？整理思路如下：
1、訓練集，顧名思義，就是拿來訓練模型的數據集，通過這個數據訓練得到模型的參數；
2、驗證集，可以用來做超參數的選取與模型的選取，在沒有測試集的情況下也可以評價模型的性能。
3、測試集，用來評價模型的效果。
總結：驗證集只是參與模型的選取或者超參數的選取等等，交叉驗證雖然做了多個模型，但是實際最終的模型與這多個模型無關，還是用的所有樣本訓練的。個人理解是如果不涉及到超參數的選取，可以不做交叉驗證，即不划分專門的驗證集，就拿所有的訓練集和驗證集建模即可。測試集只是用來評價模型的效果，最終的模型還是用全部樣本訓練的。
注：
參數：就是模型可以根據數據可以自動學習出的變量，應該就是參數。比如，深度學習的權重，偏差等
超參數：就是用來確定模型的一些參數，超參數不同，模型是不同的(比如說：假設都是CNN模型，如果層數不同，模型不一樣，雖然都是CNN模型。)，超參數一般就是根據經驗確定的變量。在深度學習中，超參數有：學習速率，迭代次數，層數，每層神經元的個數等等。