学习预测函数的参数并在相同的数据上验证它是不好的做法。这会导致过盈。为了避免这个问题，最有效的解决方案之一是将部分训练数据保存为验证集。然而，通过对可用数据进行分区并从训练集中排除一个或多个部分，我们大大减少了可用于学习模型的样本数量，并且结果可能取决于对（训练、验证）集的特定随机选择。
这个问题的解决方案是一个称为交叉验证在称为k折叠CV的基本方法中，将训练集拆分为k个较小的集，然后执行以下过程：使用折叠（部分）中的k-1作为训练数据来训练模型，在数据的剩余部分上验证所得到的模型（它被用作计算精度等指标的测试集）。
Apache Ignite提供了交叉验证功能，允许它对要验证的训练器进行参数化，为每一步训练的模型计算指标，并拆分训练数据的折叠次数。
