在某些情况下使用训练集和测试集和交叉验证，如果要比较不同的模型，请使用交叉验证。如果您使用更大的训练数据，则总会增加，这就是为什么有时留出一个交叉的效果要优于 K折交叉验证的原因，这取决于您的数据集大小，有时取决于您使用的算法另一方面，如果您不比较不同的模型，并且如果运行交叉验证的时间要求不值得，则通常使用训练和测试集，这意味着不需要交叉验证。在大多数情况下，首选交叉验证，但是，您应该选择哪种方法？这通常取决于您在训练数据时的选择方式，例如处理数据和算法的方式，例如您正在使用 Random Forests 训练数据，通常不需要进行交叉验证，但是您可以并在需要更多操作的情况下使用Out of Bag estimate 时通常不进行 Random Forests 中的交叉验证的情况。

训练模型包括调整模型精度以及模型概括。如果模型不通用，则可能是欠拟合或过度拟合模型。

在这种情况下，模型可能在训练数据上表现更好，但准确性可能会在测试或未知数据上降低。

我们使用训练数据来提高模型的准确性。随着训练数据大小的增加，模型的准确性也可能增加。

同样，我们使用不同的训练样本来概括模型。 因此， Train-Test 拆分方法取决于可用数据的大小和用于模型设计的算法。

第一个 train-test 方法具有固定大小的培训和测试数据。因此，在每次迭代中，我们使用相同的训练数据训练模型，并使用相同的测试数据进行模型的准确性评估。

第二种 k-fold 方法具有固定大小的训练和测试数据，但是在每次迭代中，测试和训练数据都会发生变化。因此，与数据大小无关，这可能是一种更好的方法。

留出一个 方法仅在数据量较小时才有用。在这里，我们将几乎所有数据用于培训目的。因此模型的训练精度会更好，但可能不是通用模型。

随机训练测试 方法也是一种训练和测试模型性能的好方法。在这里，我们每次随机选择训练和测试数据。因此，如果数据量较小，它可能比 留出一个 方法更好。

最后，每种拆分方法都各有利弊。因此，这取决于您哪种拆分方法适合您的模型。它还取决于数据大小，数据选择意味着我们在拆分时如何从样本中选择数据。