在机器学习中，嵌套交叉验证（nested cross-validation）和非嵌套交叉验证（non-nested cross-validation）是两种常用的交叉验证技术。嵌套交叉验证可以更准确地评估模型的性能，但计算成本较高；非嵌套交叉验证计算成本较低，但评估结果可能不够准确。

虽然嵌套交叉验证和非嵌套交叉验证在实现上有所不同，但它们的核心思想是相同的：将数据集划分为训练集和测试集，使用训练集进行模型的训练，然后使用测试集评估模型的性能。

下面是使用Python实现嵌套交叉验证和非嵌套交叉验证的示例代码：

import numpy as np
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.datasets import load_iris

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 定义支持向量机模型
svm_model = SVC()

# 使用嵌套交叉验证评估模型性能
nested_scores = cross_val_score(svm_model, X, y, cv=KFold(n_splits=5))
print("嵌套交叉验证得分：", np.mean(nested_scores))

# 使用非嵌套交叉验证评估模型性能
non_nested_scores = cross_val_score(svm_model, X, y, cv=5)
print("非嵌套交叉验证得分：", np.mean(non_nested_scores))

运行上述代码，可以得到嵌套交叉验证和非嵌套交叉验证的评估结果。注意，上述示例代码中使用的是支持向量机（SVM）模型和鸢尾花（iris）数据集，你可以根据自己的需求选择其他机器学习模型和数据集进行相应的实验。