我认为目前接受的答案以一种不幸的方式是不完整的。我不同意这句话

交叉验证的目的是确定学习参数，这些参数可以很好地概括我们在每个折叠中学习的总体样本。

这确实是交叉验证的一个非常重要的应用，但不是唯一的。通常，你想做两件事：

1. 建立最好的模型
2. 准确了解其表现如何

现在，要根据您的算法完成目标 1，您可能需要调整一些超参数，这通常通过交叉验证来完成。但这还不能帮助您实现目标 2。为此，您基本上需要嵌套交叉验证，如下所示：

• 将整个数据分成n个折叠
• 对于每一个，将训练数据再次折叠成子折叠
• 在子折叠上使用交叉验证来学习好的超参数
• 使用这些超参数在该折叠的训练数据上构建模型
• 在测试数据上测试模型
• 重复下一个折叠

要构建一个好的模型，您只需要内部交叉验证。您仍然需要这样做才能获得一个好的模型。但是要对您的模型性能进行良好的估计，您需要在交叉验证方案中执行模型构建的整个过程。这还包括插补等步骤。

让我们首先区分两组参数：模型参数（例如回归中特征的权重）和学习算法的参数（和超参数）。交叉验证的目的是确定学习参数，这些参数可以很好地概括我们在每个折叠中学习的总体样本。

更具体地说：我们在学习参数上全局搜索空间，但在每个折叠中，我们固定学习参数并学习模型参数。结果应该是在所有方面平均产生最佳性能的学习参数。然后我们可以使用这些在整个数据集上训练模型。