百度百科的解释

在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分训练集、验证集和测试集。其中训练集用来训练模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%，而其它各占25%，三部分都是从样本中随机抽取。

但是，当样本总量少的时候，上面的划分就不合适了。常用的是留少部分做测试集。然后对其余N个样本采用K折交叉验证法。就是将样本打乱，然后均匀分成K份，轮流选择其中K-1份训练，剩余的一份做验证，计算预测误差平方和，最后把K次的预测误差平方和再做平均作为选择最优模型结构的依据。特别的K取N，就是留一法（leave one out）。

用考试来做比方的话，训练集就像我们用来学习的有答案的习题集。验证集像是一张模拟考卷，而测试集就是最终的大考。所以一般一个有效的验证集往往意味着这题已经成功了一半，而一个错误的验证集意味着南辕北辙。

 

知乎上一个不错的解释

在机器学习建模过程中，将数据分为训练集和测试集。测试集和训练集是完全分开的两个数据集，测试集完全不参与训练，只是用于模型最终确定后，来测试模型的效果。而训练集又要分出一部分数据用来验证模型的训练效果，即验证集。验证集在每次训练集训练结束后，对模型的效果进行初步地测试。之所以要设置验证集，是因为训练数据会有过拟合的情况出现，即训练数据能够很好地匹配训练数据，但对于训练数据之外的数据效果非常差，如果此时就使用测试集来调整模型参数，就相当于在训练时已知部分测试数据的信息，会影响最终评估结果的准确性。验证集不参与训练，可以客观地评价模型对于训练集之外的数据的匹配度。

 

总结

  1. 训练集：用于模型训练；
  2. 验证集：取自训练集但不参与训练，用于每次训练结束后测试模型的效果，防止过拟合；
  3. 测试集：模型最终确定后测试模型的效果。
  4. K折交叉验证：将原始数据分成K组(K-Fold)，将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后的误差MSE(Mean Squared Error)加和平均就得到交叉验证误差。K折交叉验证有效利用了有限的数据，并且评估结果能够尽可能接近模型在测试集上的表现，可以作为模型优化的指标使用。