A técnica de validação cruzada é realmente utilizada para dividir uma amostra de dados em subconjuntos de treino e teste. O objetivo é avaliar a performance do modelo de Machine Learning de forma mais robusta. 1. Divisão dos dados: A amostra é dividida em várias partes (folds). Em cada iteração, uma parte é usada para teste e as demais para treino. 2. Construção do modelo: Os algoritmos de Machine Learning precisam da amostra de treino para construir os modelos matemáticos. A amostra de teste é utilizada apenas para avaliar a performance do modelo após o treinamento. 3. Média e mediana: Essas medidas são utilizadas para resumir dados, mas não são diretamente aplicadas na validação cruzada. O que se faz é calcular a média das métricas de desempenho (como acurácia) obtidas em cada iteração da validação cruzada. Portanto, a afirmação correta é que os algoritmos de Machine Learning precisam da amostra de treino para construir os modelos matemáticos e utilizam a amostra de teste para avaliação.