使用隨機森林演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麼？整理思路如下：

1、訓練集，顧名思義，就是拿來訓練模型的資料集，通過這個資料訓練得到模型的引數；

2、驗證集，可以用來做超引數的選取與模型的選取，在沒有測試機的情況下也可以評價模型的效能。

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引數的選取等等，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，還是用的訓練集+驗證集訓練的，個人理解是如果不涉及到超引數的選取，可以不做交叉驗證，即不劃分專門的驗證集，就拿所有的訓練集和驗證集建模即可。

注：

引數：就是模型可以根據資料可以自動學習出的變數，應該就是引數。比如，深度學習的權重，偏差等

超引數：就是用來確定模型的一些引數，超引數不同，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。)，超引數一般就是根據經驗確定的變數。在深度學習中，超引數有：學習速率，迭代次數，層數，每層神經元的個數等等。