（1）K折交叉验证（KFold）：通常K选取值为3、5、10
当不能确定使用何种验证方法时，可采用K折验证法；
当不知确定K的取值时，最优的情况是选10。
（2）分离训练数据集合评估数据集（train_test_split）
执行效率非常高，可以有效的解决某些算法执行速度慢的问题，也可以解决数据量大的问题。
在指定分离数据大小的同时，可以对其随机粒度进行指定（seed），可以保证其每次执行都可以得到相同的结果，可以用于比较不同算法生成的模型的结果。
（3）弃一交叉验证分离（LeaveOneOut）
若样本有N个，那么就会有N个模型，所以评估所得的结果非常可靠，但是成本非常的高。
常用于平衡评估算法，模型训练的速度和数据量的大小。
（4）重复随机分离评估数据集和训练数据集（ShuffleSplit）
该过程类似于多次交叉验证分离；
常用于平衡评估算法，模型训练的速度和数据量的大小。
kfold = ShuffleSplit(n_split = 10 , test_size = 0.33 ,r andom_state=seed)
result = cross_val_score(LogisticRegression(),X,Y,cv=kfold)