交叉验证是一种评估机器学习模型性能的技术，将数据分成多个互不重叠的部分，然后进行多次训练和测试，最后将评估结果汇总得到模型性能指标。

常见的交叉验证方法有 k-fold 交叉验证和 Leave-One-Out 交叉验证。

其中，k-fold 交叉验证将数据分成 k 个部分，选择其中 k-1 个部分用于训练模型，剩下 1 个部分用于测试。不断重复这个过程，每个部分都会被用于测试一次。最后将 k 次的评估结果取平均得到模型的性能指标。 Leave-One-Out 交叉验证是一种特殊情况，将数据集中的每个样本依次作为测试集，其他样本作为训练集，最后取全部评估结果的平均值作为模型性能指标。

交叉验证的目的是检测模型在训练和测试数据上的性能，避免过拟合或欠拟合，并评估模型在未见过的数据上的泛化能力。通过交叉验证的结果，可以更准确地评估模型的性能和效果，从而对算法进行选择、调参和优化。