Оценка модели на данных, на которых она не обучалась, путём многократного разбиения выборки.Перекрёстная проверка — это семейство методов для оценки того, насколько хорошо статистическая модель будет работать на новых, ранее не виденных данных. Основная идея заключается в разделении имеющихся данных на отдельные части: одна часть используется для обучения модели, а другая — для её тестирования. Это имитирует реальную ситуацию, когда модель должна делать предсказания на данных, с которыми она никогда не сталкивалась, что даёт более честную оценку её предсказательной способности, чем простое повторное тестирование на обучающих данных.
Концепция была введена Сеймуром Гайссером в 1975 году, опираясь на более ранние работы по разделению данных и предсказанию.
Наиболее распространённая форма — k-блочная перекрёстная проверка. Данные случайным образом делятся на k блоков одинакового размера. Модель обучается на k−1 блоках и тестируется на оставшемся блоке. Этот процесс повторяется k раз, каждый раз используя другой блок в качестве тестового набора. Итоговая оценка производительности — среднее значение результатов по k тестам. Это позволяет использовать все данные как для обучения, так и для тестирования, снижая дисперсию оценки по сравнению с однократным разбиением.
Используется в машинном обучении для настройки гиперпараметров, выбора между конкурирующими моделями и получения реалистичных показателей точности.
В перекрёстной проверке с исключением по одному — частном случае, когда k равно числу точек данных, — модель обучается на всех точках, кроме одной, и тестируется на этой единственной точке, и так повторяется для каждой точки.
