首先我们有一组医疗数据，以有无心脏疾病为标准记录各个患者的特征。
然后给出一名新患者的特征信息，判断他是否得心脏疾病。
接着我们要选出一种最合适的机器学习方法。然而方法有许多种，包括logistics regression（逻辑回归）、K-nearest neighbors（最近邻算法）、support vector machine（支持向量机、SVM）等等，我们该如何从中挑选？
Cross Validation（交叉验证）允许我们比较不同的机器学习方法，并且认识到它们在实践中的表现。
对于上述中收集到的医疗数据，我们需要做两件事情：
- 估算机器学习方法需要使用的参数（在机器学习的术语中被称为“算法训练（Training the Algorithm）”）
- 评估机器学习方法的工作成果（在机器学习的术语中被称为“算法测试（Testing the Algorithm）”）
换句话说，我们需要将源数据集划分为两个部分，一部分用于训练，另一部分用于测试。
顺带一提，75%用于训练，25%用于测试效果更佳。
交叉验证法并不关心是哪75%或是哪25%，因为它会尝试各种组合。曾作为训练数据的数据集也可用作测试数据，反之亦然。
在极端情况下，我们甚至可以把每个个体作为一部分，这种方法称为“留一交叉验证（leave one out cross validation）”。
在实际应用中，比较常见的是将数据集划分为10个部分，这种方法被称为“十折交叉验证（ten-fold cross validation）”。
扩展：有些机器学习方法（如岭回归Ridge Regression）会包含一个“调整参数（tuning parameter）”，在这种情况下，可以使用十折交叉验证来帮助寻找最佳的调整参数值。
最后，将各个机器学习方法中的所有组合结果分别叠加，进行比较，从而挑选出最合适的机器学习方法。
