在交叉验证中，数据被分成 K 个折叠（或称为“组”或“块”），每个折叠都被用作验证集一次，而其余的 K-1 个折叠用作训练集。这个过程被称为 K 折交叉验证。
具体步骤如下：
将数据集随机分成 K 个子集（折叠）。
对于每个折叠，将模型训练在除该折叠之外的所有数据上。
使用当前折叠进行验证，计算模型的性能指标（比如准确性、F1分数等）。
重复上述步骤，每次选择不同的折叠作为验证集，其余作为训练集。
最终，将 K 次验证的性能指标取平均值，得到最终的交叉验证得分。
这种方法的好处是，每个样本都有机会在验证集中出现一次，从而更全面地评估模型的性能，减少了对单一训练-测试分割的依赖性。
