La validación cruzada es una técnica fundamental para evaluar el rendimiento de un modelo con datos nuevos. El objetivo principal es evaluar el rendimiento de un modelo de forma que se reduzcan al mínimo problemas como la sobreadaptación (, cuando el modelo aprende demasiado de los datos de entrenamiento y su rendimiento es deficiente en datos desconocidos), y la inadaptación (, cuando el modelo es demasiado simplista para captar los patrones de los datos).
El concepto consiste en dividir los datos disponibles en varios subconjuntos, normalmente dos partes principales: el conjunto de entrenamiento y el conjunto de validación (, que a veces también se denomina conjunto de prueba).
Una técnica habitual es la validación cruzada k-fold:
-
El conjunto de datos se divide en 'k' subconjuntos (o pliegues) de tamaño aproximadamente igual.
-
El modelo se entrena "k" veces, utilizando cada vez un pliegue diferente como conjunto de validación y los pliegues restantes como conjunto de entrenamiento.
-
Por ejemplo, en la validación cruzada quíntuple, los datos se dividen en cinco subconjuntos. El modelo se entrena cinco veces, utilizando cada vez uno de los cinco subconjuntos como conjunto de validación y los otros cuatro como conjunto de entrenamiento.
-
Las métricas de rendimiento (como exactitud, precisión, recuerdo, etc.) se promedian a lo largo de estas 'k' iteraciones para obtener una estimación final del rendimiento.
Otras técnicas habituales son
Validación cruzada Leave-One-Out (LOOCV)
-
Cada punto de datos sirve como conjunto de validación, y el modelo se entrena con el resto de los datos.
-
Este método es costoso desde el punto de vista informático para grandes conjuntos de datos, pero puede ser bastante preciso, ya que utiliza casi todos los datos para el entrenamiento.
Validación cruzada estratificada
- Garantiza que cada pliegue sea representativo de todo el conjunto de datos. Mantiene la distribución de clases en cada pliegue, lo que resulta útil para conjuntos de datos desequilibrados.
La validación cruzada es crucial porque proporciona una estimación más fiable del rendimiento de un modelo en datos no vistos en comparación con una única división de entrenamiento-prueba. Ayuda a identificar problemas como la sobreadaptación o la inadaptación al proporcionar una estimación más sólida de cómo generalizará el modelo a los nuevos datos.
Mediante el uso de la validación cruzada, los profesionales del aprendizaje automático pueden tomar mejores decisiones sobre la selección de modelos, el ajuste de hiperparámetros y la evaluación del rendimiento de generalización de un modelo en datos no vistos.
