k越大, bias越小, 训练时间越长. 在训练时, 也要考虑数据集间方差差别不大的原则. 比如, 对于二类分类问题, 使用2-折交叉验证, 如果测试集里的数据都是A类的, 而训练集中数据都是B类的, 显然, 测试效果会很差.

正确答案是：D: 以上所有。

以下是对各选项的专业分析：

- **A: k越大, 不一定越好, 选择大的k会加大评估时间**
- 解析：当k增加时，会使得每一个验证的数据集变小，但每个模型需要训练的次数增多。虽然增加k可能会提供更稳定的估计，但同时也显著增加了计算时间和资源消耗。因此，选择过大的k确实会加大评估时间。

- **B: 选择更大的k, 就会有更小的bias (因为训练集更加接近总数据集)**
- 解析：随着k的增加，每次训练模型的训练集规模就会增大，接近于完整的数据集，这通常会导致偏差（bias）的降低，因为模型训练会更全面。然而，虽然bias可能减小，方差可能会增加，因为每个验证集变小。

- **C: 在选择k时, 要最小化数据集之间的方差**
- 解析：在k折交叉验证中，目标是选择一个合适的k，使得在各折之间评估指标的方差尽量小，这样可以确保模型的评估结果更具稳定性和可靠性。

因此，结合各个选项的解析，正确的答案是D：以上所有。选择k时需要在评估时间、bias和方差之间进行权衡，以满足特定的模型训练需求和计算资源限制。