Kryssvalidering

Kryssvalidering, eller cross-validation, är en återupprepande valideringsmetod inom statistik och maskininlärning som används för att uppskatta hur bra en modell förväntas prestera på ny data. Metoden delar ofta data i flera avsnitt och upprepar modellbygge och utvärdering över olika uppsättningar. Syftet är att motverka överanpassning, ge en mer tillförlitlig bedömning av generaliserbarheten och reducera beroendet av en enda train-test-splits.

Vanliga former är k-falds kryssvalidering där data delas i k lika stora folds och modellen tränas på k−1 folds medan den valideras på den återstående. Stratifierad k-falds CV bevarar klassfördelningen i varje fold vid klassificering. Leave-One-Out CV (LOOCV) använder varje prov som validering. Upprepad CV och nestlad CV används för hyperparametertuning och modelljämförelse. För tidsserier bör valideringen bevara tidsordningen genom tidsbaserad eller blockbaserad metod.

Processen innebär att dela data i folds, träna på k−1 och utvärdera på den återstående, upprepa tills varje fold varit validering. Prestanda sammanfattas med mått som noggrannhet, ROC-AUC, F1 eller RMSE. Kryssvalidering används för modelljämförelse och hyperparameter-tuning, ofta i nestlad konfiguration där inner CV används för parametertuning utan att påverka den oberoende utvärderingen.

Begränsningar inkluderar risk för dataläckage om funktioner skapas på hela datasetet före uppdelningen, hög beräkningskostnad för stora dataset och att LOOCV kan ha hög varians. I icke-iid-data eller tidsserier måste valideringen anpassas för att inte överoptimera mot tidigare data. Vanliga implementationer finns i scikit-learn (KFold, StratifiedKFold, LeaveOneOut, cross_val_score, cross_validate) samt i R.