假设您的数据集包含样本：$k$

在交叉验证中，有个分区，每个分区的测试拆分将具有大小。$N$$\frac{k}{N}$

留一法验证是一种特殊类型的交叉验证，其中。您可以将其视为将交叉验证发挥到极致，我们将分区数设置为最大可能值。在留一法验证中，测试拆分的大小为$N = k$$\frac{k}{k} = 1$

很容易看出差异。这是两个对比交叉验证和留一法的数字。在这些图中，数据集中的每个样本都由一个彩色圆圈表示。训练集用绿色圆圈表示，测试集用黄色圆圈表示。

5折交叉验证：

留一交叉验证：

考虑一个数据集，其中您有用户并希望根据一些值来预测关于他们的一些事情。每个用户可能在 DS 中有许多条目。

在交叉验证中，数据是随机分区的，因此不同的用户条目可以落入同一个分区，或者某些分区可能没有关于某些用户的信息，如下所示：

Dataset                  -> Partition

user1; somevalues        -> partition 1
user1; someOthervalues   -> partition 2
user2; somevalues        -> partition 2
user1; more_on_user1     -> partition 1
user2; someMoreValues    -> partition 2
user3; somevalues        -> partition 1 
etc...

partition 1一无所知user2。如果您假设行为是全局的而不是用户特有的，那么这可能并不重要

而leave-one-out将确保测试集具有每个用户的一个示例。这在推荐系统中很常见，在推荐系统中，您会为每个用户留下一个评分，因为在所有用户中测试的指标（在 rec.sys 的上下文中）比可能跳过许多用户的指标更可靠。