机器学习时模型训练非常简单，将数据分成训练集（training set）和测试集（testing set），用training set训练模型，然后将模型应用到testing set上评估模型的好坏。
怎么优化模型，使得模型更加稳定有效呢？
方法是超参数优化（Hyperparameter tuning）。比如我们有3个hyperparameter，每个Hyperparameter可以设置3个数值，这样我们就可以得到3X3X3=27个组合，然后用相同的训练集分别训练27个模型，将这27个模型分别应用在testing set上，就可以比较出那组Hyperparameter组合比较好。
但是，当我们把模型应用到真实场景的时候，往往会发现模型效果比在testing set上差很多。为什么会出现这样的问题呢？原因是我们调整参数的时候都是用的一套testing set，所以我们选择的参数只是适应这个特殊的数据集。这时候validation set就该上场了！
这次数据就不能只分为训练集和测试集了，而是在训练集和测试集之外再分出验证集（validation set）。在Hyperparameter tuning时将训练的模型应用到validation set上挑选出最好的Hyperparameter 组合，然后将最好组合的模型应用到testing set上，得到模型的最终效果。
这时候另外一个问题出现了，由于我们这次将模型应用在一个固定validation set上，而validation set 有可能太大或者太小，这次得到的模型很有可能不是模型的最优解，怎么办呢？我们可以用k fold cross validation来解决这个问题。如下图，首先将数据分为训练集和测试集，训练集再分为k份（例子中是5份），模型训练的时候用其中的k-1份作为训练集，用剩下的一份数据作为验证集，这样训练k个模型，将k次建模结果的平均数作为这个Hyperparameter组合的最终结果，这样得到模型的最优解。
