如您所知，交叉验证有两种流行的类型，即K折和随机子采样（如Wikipedia中所述）。尽管如此，我知道有些研究人员正在撰写和发表论文，其中描述为K折的简历确实是随机的二次抽样，因此在实践中，您永远不知道所读文章的真实含义。
通常，差异当然并不明显，因此我的问题也是如此-当一种类型的结果与另一种类型的结果显着不同时，您能想到一个例子吗？
如您所知，交叉验证有两种流行的类型，即K折和随机子采样（如Wikipedia中所述）。尽管如此，我知道有些研究人员正在撰写和发表论文，其中描述为K折的简历确实是随机的二次抽样，因此在实践中，您永远不知道所读文章的真实含义。
通常，差异当然并不明显，因此我的问题也是如此-当一种类型的结果与另一种类型的结果显着不同时，您能想到一个例子吗？
Answers:
当然，仅仅因为您在不同的示例上进行训练，您肯定可以获得不同的结果。我非常怀疑，在某种算法或问题域中，两者的结果将以可预测的方式有所不同。
通常，差异当然并不明显，因此我的问题也是如此-当一种类型的结果与另一种类型的结果显着不同时，您能想到一个例子吗？
我不确定根本没有什么明显的区别，只有在临时示例中它才是明显的。交叉验证和自举（子采样）方法都主要取决于其设计参数，并且这种理解还不完整。在一般情况下，结果中 k折交叉验证关键取决于褶皱的数量，所以你可以期待从你会在亚取样观察什么总是不同的结果。
举例说明：假设您有一个带有固定数量参数的真实线性模型。如果您使用k倍交叉验证（给定的固定k），并让观察数达到无穷大，则k交叉验证对于模型选择将是渐近不一致的，即它将使用概率大于0。这令人惊讶的结果是由于邵俊，“选择线性模型通过交叉验证”，杂志美国统计协会，88，486-494（1993），但更多的论文可以在这方面找到。
通常，恰到好处的统计文件都指定了交叉验证协议，这完全是因为结果不是不变的。如果他们为大型数据集选择大量折痕，则他们会进行标记并尝试纠正模型选择中的偏差。