留出法和交叉验证法由于保留了一部分样本进行测试，因此实际使用的训练集比数据集要小， 这必然会引入一些因训练样本规模不同而导致的估计偏差。 有什么方法可以减少训练样本规模不同造成的影响，同时还能比较高效的进行实验估计呢？ 所谓 Bootstrapping 即可放回采样，从数据集中可放回的采取与原数据集同样大小的数据进行测试。 该方法可用于数据集较小，难以划分有效训练/测试集的情况。然而，这种方法产生的数据集改变了 初始数据集的分布，会引入估计偏差。