它们在各自的上下文中都是正确的。他们描述了在不同情况下两种不同的模型选择方式。

一般来说，当你在做模型选择和测试时，你的数据分为三个部分，训练集、验证集和测试集。您使用您的训练集来训练不同的模型，估计您的验证集的性能，然后选择具有最佳性能的模型并在您的测试集上对其进行测试。

另一方面，如果您使用 K 折交叉验证来估计模型的性能，那么您的数据将被分成 K 折，循环通过 K 折，每次使用一个折作为测试（或验证）设置并使用其余（K-1）折叠作为训练集。然后，您对所有折叠进行平均，以获得模型的估计测试性能。这就是维基百科页面所指的内容。

但请记住，这是为了测试特定模型，如果您有多个候选模型并且还想进行模型选择，则必须仅使用您的训练集选择模型以避免这种微妙的循环逻辑谬误. 因此，您进一步将 (K-1) 折叠“训练数据”分为两部分，一部分用于训练，另一部分用于验证。这意味着您首先进行额外的“交叉验证”以在 (K-1) 折中选择最佳模型，然后在测试折中测试此最佳模型。换句话说，您正在进行两级交叉验证，一个是一般的 K-fold 交叉验证，并且在每个交叉验证循环中，都有一个额外的 (K-1)-fold 交叉验证型号选择。然后你有你在问题中所说的内容，'在 k 个子样本中，一个子样本保留为验证数据，另一个子样本保留为测试数据，k-2 个子样本用作训练数据。

在这里，我以伪代码形式重新陈述我从@Yuanning 的答案和@cbeleites 的评论中收集到的内容。这可能对像我这样的人有帮助。

为了衡量一个确定模型的性能，我们只需要训练和测试集：

function measure_performance(model, full_test_set, k_performance):
    subset_list <- divide full_test_set into k_performance subsets
    performances <- empty array
    for each sub_set in subset_list:
        test_set <- sub_set
        training_set <- the rest of the full_test_set
        model <- train model with training_set
        performance <- test model with test_set
        append performance to performances
    end for each
    return mean of the values in peformances
end function

但是如果我们需要做模型选择，我们应该这样做：

function select_model(data, k_select, k_performance):
    subset_list <- divide data into k_select subsets
    performances <- empty array
    for each sub_set in subset_list:
        validation_set <- assume that this sub_set is validation set
        test_set <- one other random sub_set (Question: How to select test_set)
        training_set <- assume remaining as training set
        model <- get a model with the help of training_set and validation_set
        performance <- measure_performance(model,test_set, k_performance)
    end for each
    return model with the best performance (for this, performances will be scanned)
end function