原始數據被隨機分為兩組，壹組作為訓練集，另壹組作為驗證集。通過訓練集對分類器進行訓練，然後通過驗證集對模型進行驗證，記錄最終的分類準確率作為分類器的性能指標。這種方法的優點是操作簡單，只需將原始數據隨機分成兩組。事實上，堅守的方法並不是嚴格意義上的CV，因為這種方法並沒有達到穿越的想法。由於原始數據是隨機分組的，最終驗證集的分類精度與原始數據的分組有很大關系，因此這種方法得到的結果實際上沒有說服力。
2.雙重交叉驗證（雙重交叉驗證，2-CV）
？該方法是將數據集分成大小相等的兩個子集，並進行兩輪分類器訓練。在第壹輪中，壹個子集用作訓練集，另壹個子集用作測試集；；在第二輪中，交換訓練集和測試集後，再次訓練分類器，我們更關心兩個測試集的識別率。然而，在實踐中，2-CV並不常用，主要是因為訓練集樣本數量太少，通常不足以代表父樣本的分布，導致測試階段的識別率存在明顯差距。此外，2-CV中的子集變異較大，往往無法滿足“實驗過程必須可重復”的要求。
3.K折交叉驗證（K折交叉驗證，表示為K-CV）。
？將原始數據分成K組（壹般是等分的），為每個子集數據制作壹個驗證集，將剩余的K-1個子集數據作為訓練集，從而得到K個模型，並將這K個模型的最終驗證集的分類精度的平均值作為該K-CV下分類器的性能指標。k壹般大於等於2，實際操作中壹般取3。只有當原始數據集很小時，它才會嘗試取2。K-CV能有效避免過度學習和欠學習，最終結果更具說服力。
4、留壹法交叉驗證（記錄為LOO-CV）
如果原始數據有N個樣本，那麽LOO-CV就是N-CV，即每個樣本作為壹個驗證集，剩下的N-1個樣本作為訓練集，這樣LOO-CV就會得到N個模型，這N個模型的最終驗證集的分類精度的平均值作為LOO-CV分類器的性能指標。與之前的K-CV相比，LOO-CV有兩個明顯的優勢:
（1）每輪幾乎所有的樣本都用於訓練模型，因此原始樣本的分布最接近，因此評估結果更可靠。
（2）實驗過程中不會有隨機因素影響實驗數據，從而保證實驗過程可復制。
然而，LOO-CV的缺點是計算成本高，因為要建立的模型數量與原始數據樣本的數量相同。當原始數據樣本數量相當大時，除非每次都快速訓練分類器，或者可以通過並行計算減少計算所需的時間，否則LOO-CV很難在實際中顯示。