无放回抽样，并且保证样本尽可能均匀

在获取训练集时，通常使用的方法与具体任务和数据集有关。不过，在一般的机器学习和数据处理场景下，以下分析可以帮助理解这些选项的使用：

1. **有放回抽样**和**无放回抽样**：
- **有放回抽样**（A）：通常用于生成一个与原始数据集大小相同的子集。这种方法在训练集生成中不常使用，因为它可能导致重复数据。
- **无放回抽样**（B）：适用于需要从数据集中选择一部分数据以确保没有重复样本的情况。这更接近于训练集的获取方式，尤其是在构建交叉验证集时。

2. **取数据的前60%部分**和**取数据的后60%部分**：
- **取数据的前60%部分**（C）和**后60%部分**（D）：用于简单的时间序列数据拆分或当数据有时间顺序时。但一般来说，随机分割数据集更常用，以避免时间顺序对训练集的偏倚。

综上所述，**无放回抽样**（B）是较为通用的方法，因为它可以确保生成的训练集与测试集没有重叠，从而保证模型评估的可靠性。因此，选项 B 是在获取训练集时一种常用的方法，特别是在不想重复样本的情况下。