A elimina totalmente o risco deoverfitting.
B substitui a necessidade de separar conjuntos de treino e teste.
C garante que todos os modelos treinados terão a mesma acurácia.
D reduz a dependência de uma única divisão treino/teste, permitindo uma estimativa mais robusta de generalização.
E é usada apenas para algoritmos de regressão, não de classificação.