Gridsearch中的默认CV与Kfold中的默认CV有什么区别

我想知道,在sklearn的GridSearchCV方法中实现的默认交叉验证与使用它的Kfold方法之间有什么区别,如以下代码中所示:

不使用Kford:

clf = GridSearchCV(estimator=model, param_grid=parameters, cv=10, scoring='f1_macro')
clf = clf.fit(xOri, yOri)

使用Kfold:

NUM_TRIALS = 5
    for i in range(NUM_TRIALS):
         cv = KFold(n_splits=10, shuffle=True, random_state=i)
         clf = GridSearchCV(estimator=model, param_grid=parameters, cv=cv, scoring='f1_macro')
         clf = clf.fit(xOri, yOri)

正如我从手册中了解到的,他们都将数据分为10部分,9部分用于培训,1部分用于验证,但在使用Kfold的示例中。。它进行了5次采样过程( NUM_TRIALS = 5 )每次数据在分成10部分之前都会被洗牌。我说得对吗?