参数建模后，训练集用于训练参数。 准确地说，是用于坡度下降。 验证集基本上用于在每个epoch完成后测试当前模型的准确率。 该精度是可靠的，因为验证集不与训练集交叉。 那么为什么需要测试套呢？
这需要区分模型的各种参数。 实际上，在模型中，其参数可以分为常规参数和超级参数。 在不引入强化学习的前提下，常规参数可以通过梯度下降来更新，即通过训练集来更新参数。 另外，还有网络层数、网络节点数、反复次数、学习率等超级参数的概念，这些参数不在梯度下降的更新范围内。 目前有一些算法可以搜索模型的超级参数，但我们往往是自己根据验证集进行调整的。
因此，train、test、valid的区别也就是说，狭义上说，验证集与坡度下降的过程无关，也就是说没有经过训练； 但从广义上看，验证集涉及“人工参数调整”的过程，根据验证集的结果调整迭代次数和学习率等，使结果在验证集中最优。 因此，验证集也被认为是在参加训练。
那么很明显，我们需要一个完全没有训练过的集合。 那是测试套。 我们既不会降低测试集的坡度，也不会控制超级参数。 模型最终训练结束后，用于测试最后的准确率。
算法选择具有最小泛化误差的模型作为最终模型，在整个训练集中重新训练模型得到最终模型。
交叉验证首先在验证阶段起作用，因此k交叉验证的作用是选择模型的超参用，而不是参与训练来确定模型的权重阈值。 这是为了防止随意划分的验证集存在分布上的偏差而导致错误判定，选择了局部最优的超参考而不是全局最优。 为什么一些异常检测、CTR等不均衡问题使用这一手段，样本应该是不均衡的，随意划分则分布不均匀，如经过验证的集合中有正样本，其指标肯定是极端的。 k折断后，可以避免这种情况，便于我们更好地选择模特超参。