正确答案是：D

### 解析：

在机器学习中，数据集的划分对于模型的训练和评价至关重要。让我们逐一分析这些说法：

- **A: 测试集实际上的作用是用来修正模型**
- 错误。
- 测试集的作用是对模型进行最终评估，以衡量其在未见过的数据上的表现。测试集不应用于模型的调优或修正。模型参数的调整应该基于训练集和验证集。

- **B: 为了修正训练集模型的准确率，可采用交叉验证的方法**
- 正确。
- 交叉验证是一种技术，用于评估模型在不同数据拆分上的表现，可以帮助发现模型的泛化能力，同时也可以用于模型的参数调优，减少过拟合的风险。

- **C: 训练集和测试集之外，我们有时候会划分一个验证集**
- 正确。
- 验证集用于调整模型参数和做模型选择。在训练过程中，验证集可以帮助评估模型的表现并进行超参数调优。

- **D: 训练集、测试集和验证集的划分必须严格遵照 6:2:2 的比例进行划分**
- 错误。
- 数据集的划分比例并没有统一标准，常见的比例如 8:1:1 或 7:2:1，但具体比例取决于数据集的规模、模型的复杂性以及具体应用的需求。关键是要确保足够的数据用于训练，同时保留足够的验证和测试数据进行有效评估。

### 理想数据划分

下面是一个表格示例，展示了常见的数据划分策略：

| 数据集 | 常见划分比例 | 用途描述 |
|--------------|--------------|-------------------------------|
| 训练集 | 60%-80% | 用于训练模型，学习数据特征 |
| 验证集 | 10%-20% | 用于调优模型参数和选择模型 |
| 测试集 | 10%-20% | 用于最终评估模型性能和泛化能力 |

在实际应用中，根据需要和数据量的不同，以上比例可能会有所调整。最重要的是保证独立性和数据集的代表性。