一般地，数据划分成2块，一块训练集，用来训练模型，一块测试集，用来测试评估模型。这时会出现一个问题，训练好的模型有可能在测试集上出现过拟合，所谓过拟合就是指模型在训练集上有较高的分数，但是在测试集上预测不出有价值的信息，也可以理解成缺乏泛化能力。为了解决这类问题，要再准备一块验证集，模型训练好之后在验证集上对模型进行评估，如果评估结果较好就在测试集上进行最后的测试评估。
这时又会出现另一个问题，当数据划分成3块时，数据量会大大减少，结果会依赖于训练和验证的选择上。为了解决这个问题，引入交叉验证，所谓交叉验证，最基础的是把数据分成K折，K-1折用来训练，剩余的1折用来验证，每一折都会充当一次验证集，这个方法优点是不需要单独分出来验证集，而且每个数据都可以参与到模型训练验证，缺点是计算代价大，需要进行K次训练验证。这个方法对数据量小的建模比较友好。
有函数可以直接用来做交叉验证，cross_val_score，还有一个是cross_validate，后者能指定多个打分类型，比如同时查看准确率和召回率，除了能返回测试的打分情况，还能返回训练上的打分情况、拟合次数等，后者返回信息更多，前者只返回测试上的打分情况。
交叉验证默认返回的是预测的准确率，与准确率常联系起来的有召回率，所谓准确率是针对预测样本来说的，有多少个预测样本预测正确了，比如100个预测样本，预测准确的有80个，那么准确率就是80%。所谓召回率，我看了几个例子，更多的是说到分类问题上，就是针对实际样本而言，有多少样本正确的预测出来了。
如果不用交叉验证评估模型，使用普通的打分函数，比如score也能评估模型。
