交叉验证是一种评估机器学习模型性能的方法，通过多个数据子集来避免单一训练/测试分割的偏差。它能更可靠地估计模型表现，降低过拟合风险，尤其适用于小数据集。常见的交叉验证方法有k折交叉验证、分层k折、留一交叉验证和时间序列交叉验证。使用交叉验证可以获得更稳定的性能估计，帮助理解模型在实际应用中的表现。