折叠数通常由数据集中包含的实例数决定。例如，如果您的数据中有 10 个实例，则 10 折交叉验证没有意义。$k$-fold 交叉验证用于两个主要目的，调整超参数和更好地评估模型的性能。

在这两种情况下选择$k$取决于同一件事。您必须确保训练集和测试集来自同一分布。并且两组都包含足够的变化，以便表示下划线分布。在只有 10 个实例的 10 倍交叉验证中，测试集中只有 1 个实例。此实例不能正确表示基础分布的变化。

话虽如此，选择$k$不是一门精确的科学，因为很难估计你的折叠代表你的整体数据集的程度。我通常使用 5 折交叉验证。这意味着 20% 的数据用于测试，这通常是相当准确的。但是，如果您的数据集大小急剧增加，例如如果您有超过 100,000 个实例，则可以看出 10 倍交叉验证将导致 10,000 个实例的倍数。这应该足以可靠地测试您的模型。

简而言之，是的，折叠数取决于数据大小。我通常坚持 4 或 5 倍。确保打乱你的数据，这样你的折叠不包含固有的偏见。

取决于您愿意为此支付多少 CPU 汁液。具有较低的 K 意味着更少的方差，因此，更多的偏差，而具有更高的 K 意味着更多的方差，因此和更低的偏差。

此外，应该记住不同值的计算成本。高 K 意味着更多的折叠，因此更高的计算时间，反之亦然。因此，需要通过超调优分析找到两者之间的最佳平衡点。

此外，您需要牢记数据的大小。如果您的数据非常少，那么即使使用 k-fold crossval 也是没有意义的。因此，您可能想要使用留一式 CV (LOOCV)。