为什么交叉验证用于决策树分类？
Why is cross validation used in decision tree classification?
我试图了解决策树（和其他模型）并且遇到了交叉验证，现在我首先想到交叉验证用于确定模型的最佳参数。例如决策树分类中的最优 max_tree_depth 或 k_nearest_neighbor 分类中的最优 number_of_neighbors。但是当我查看一些示例时，我认为这可能是错误的。
这是错误的吗？
交叉验证用于以更准确的方式确定模型的准确性，例如在 n 重交叉验证中，您将数据划分为 n 个分区并使用 n-1 个部分作为训练集和 1 个部分作为测试集并为所有分区重复此操作，每个分区都将被测试一次）然后对结果进行平均以更好地估计模型的准确性
我试图了解决策树（和其他模型）并且遇到了交叉验证，现在我首先想到交叉验证用于确定模型的最佳参数。例如决策树分类中的最优 max_tree_depth 或 k_nearest_neighbor 分类中的最优 number_of_neighbors。但是当我查看一些示例时，我认为这可能是错误的。
这是错误的吗？
交叉验证用于以更准确的方式确定模型的准确性，例如在 n 重交叉验证中，您将数据划分为 n 个分区并使用 n-1 个部分作为训练集和 1 个部分作为测试集并为所有分区重复此操作，每个分区都将被测试一次）然后对结果进行平均以更好地估计模型的准确性