简单来说，交叉验证和网格搜索有什么区别？网格搜索如何工作？我应该首先进行交叉验证然后进行网格搜索吗？
交叉验证是指您保留部分数据用于评估模型。有不同的交叉验证方法。最简单的概念是，只需占用数据的70％（只需在此处编号，不一定是70％）并将其用于培训，然后使用剩余的30％的数据来评估模型的数据性能。您需要不同的数据来训练和评估模型的原因是为了防止过度拟合。当然还有其他（稍微涉及更多）交叉验证技术，如k-fold交叉验证，这在实践中经常使用。
网格搜索是一种执行超参数优化的方法，也就是说，它是一种为给定模型找到超参数的最佳组合（超参数的一个例子是优化器的学习率）的方法（例如CNN）和测试数据集。在这种情况下，您有几个模型，每个模型都有不同的超参数组合。对应于单个模型的这些参数组合中的每一个可以说是位于“网格”的点上。然后，目标是训练每个模型并评估它们，例如使用交叉验证。然后选择表现最佳的那个。
举一个具体的例子，如果你使用支持向量机，你可以使用gamma和C的不同值。因此，例如，您可以为(gamma, C)创建一个具有以下值的网格：(1, 1), (0.1, 1), (1, 10), (0.1, 10)。它是一个网格，因为它就像[1, 0.1]的gamma和[1, 10]的C的产品。网格搜索基本上会为这四对(gamma, C)值中的每一个训练SVM，然后使用交叉验证对其进行评估，并选择最佳的一个。
交叉验证是一种用于稳健地估计模型的测试集性能（泛化）的方法。网格搜索是一种选择模型族中最佳模型的方法，通过参数网格进行参数化。
在这里，通过“模型”，我不是指训练有素的实例，更多的是算法和参数，例如SVC(C=1, kernel='poly')。
交叉验证，简单地分离测试和培训数据，并使用测试数据验证培训结果。我知道有两种交叉验证技术。
首先，测试/训练交叉验证。拆分数据作为测试和训练。
其次，k-fold交叉验证将您的数据拆分为k个bin，将每个bin用作测试数据，并将其余数据用作训练数据并验证测试数据。重复该过程k次。并获得平均表现。 k-fold交叉验证对小型数据集特别有用，因为它可以最大化测试和训练数据。
网格搜索;系统地通过参数曲调的多种组合，交叉验证每一个，并确定哪一个给出最佳性能。你可以通过许多组合只稍微改变参数。
交叉验证是一种保留数据集的特定子集的方法，您不会在该数据集上训练模型。稍后，在最终确定之前，在此子集上测试模型。
执行交叉验证需要执行的主要步骤如下：
例如，还有其他交叉验证方法
简单来说，考虑将面食制作为模型：