你是对的（对于 K-fold CV）

K-fold CV 是一种度量标准，它可以为您的模型提供比常规单一训练-测试分割更好的准确度度量。它不会做更多的事情。这对学习本身没有影响。

然而，交叉验证或（只是验证）以不同的方式与不同学习算法中的学习结合使用，这确实有助于通过防止过度拟合来更好地学习。这是一组单独的调用样本，称为验证集，与训练集和测试集不相交。

例如，在 ANN 中，验证集的准确性在每个 epoch 进行测量，以在过度拟合点停止训练。此过程称为提前停止。

类似地，验证集用于在允许过度拟合后修剪决策树。

正方形表示训练集的准确性，而三角形表示验证集的准确性。

不要混淆这两个术语，因为它们在不同的上下文中使用。

是的，你是对的。交叉验证将使您了解模型的样本外性能。它不会像这样修改模型。

通常，当您想要预测时，您会查看多个模型。（在进行推论统计时情况有所不同。）您将交叉验证每个模型并选择产生较低交叉验证错误的模型。通过这种方式，您可以检查添加、删除或转换预测变量的效果。

交叉验证是帮助您更好地理解模型的工具。您将需要自己修改模型 - 以交叉验证告诉您的内容为指导。