Validación cruzada
La validación cruzada es una técnica de remuestreo para estimar qué tan bien se generalizará un modelo a datos invisibles.
Descripción general
It makes better use of limited data and gives a more reliable performance estimate than a single train/test split.
Buceo profundo
Una división de un solo tren/prueba es frágil: la puntuación que se obtiene depende en gran medida de qué filas aterrizaron en el conjunto de prueba. La validación cruzada soluciona este problema rotando la función del conjunto de pruebas. En la validación cruzada de k pliegues, se dividen los datos en k pliegues iguales, se entrena en k-1 de ellos, se evalúa en el pliegue retenido y se repite k veces para que cada fila se pruebe exactamente una vez. Promediar las puntuaciones k produce una estimación más estable más una medida de variabilidad. Las opciones comunes son 5 o 10 pliegues. Las variantes incluyen k-fold estratificado (preservando las proporciones de clase para datos desequilibrados), dejar uno fuera (k es igual al número de muestras) y divisiones de series temporales que nunca entrenan en el futuro para predecir el pasado.
Información técnica
La validación cruzada es más poderosa para la selección de modelos y el ajuste de hiperparámetros: se comparan las configuraciones por su puntuación de validación promedio en lugar de sobreajustarlas a una división. Un problema crítico es la fuga de datos: cualquier preprocesamiento que "vea" todo el conjunto de datos (escalado, selección de características, imputación) debe ajustarse dentro de cada pliegue, no antes de dividirse, o su estimación estará sesgada de manera optimista. La validación cruzada anidada separa el ajuste de la evaluación final para evitar esta fuga.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro de la validación cruzada
A medida que los conjuntos de datos y los modelos crecen, ejecutar k ciclos de entrenamiento completos se vuelve costoso, por lo que los profesionales favorecen cada vez más un único conjunto de validación grande y reservado para el aprendizaje profundo, al tiempo que reservan la validación cruzada para conjuntos de datos pequeños o tabulares. El aprendizaje automático automatizado y herramientas como GridSearchCV de scikit-learn y Optuna integran la validación cruzada en la búsqueda de hiperparámetros de forma predeterminada. Continúan las investigaciones sobre aproximaciones más económicas, tuberías resistentes a las fugas y una validación adecuada de datos agrupados, jerárquicos y dependientes del tiempo.
Implementación en el mundo real
Uso de validación cruzada quíntuple para comparar regresión logística, bosque aleatorio y aumento de gradiente antes de comprometerse con un modelo.
Aplicar k-fold estratificado en un conjunto de datos de detección de fraude desequilibrado para que cada pliegue mantenga aproximadamente la misma proporción de clases raras.
Ejecutar GridSearchCV o RandomizedSearchCV, que validan de forma cruzada cada combinación de hiperparámetros para elegir la mejor configuración.
Uso de validación cruzada de series de tiempo (encadenamiento continuo/encadenamiento hacia adelante) para evaluar un pronosticador de existencias o demanda sin capacitación sobre datos futuros.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayuda la validación cruzada y dónde son mejores los métodos más simples.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Cross-Validation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Codificadores cruzados frente a codificadores bi
Preguntas frecuentes
What is Cross-Validation?
La validación cruzada es una técnica de remuestreo para estimar qué tan bien se generalizará un modelo a datos invisibles. Hace un mejor uso de los datos limitados y proporciona una estimación de rendimiento más fiable que una única división tren/prueba.
En la validación cruzada estándar de k veces, ¿cuántas veces se utiliza cada punto de datos para las pruebas?
Cada pliegue sirve como conjunto de prueba exactamente una vez en las k rondas, por lo que cada muestra se prueba una sola vez y se entrena con el resto.
¿Cuál es la principal ventaja de la validación cruzada de k veces sobre una única división de tren/prueba?
Al promediar múltiples pliegues, la validación cruzada reduce la variación de la estimación de rendimiento en comparación con depender de una división arbitraria.
¿Por qué la validación cruzada ordinaria de k veces es inapropiada para el pronóstico de series de tiempo?
Al mezclar datos ordenados en el tiempo, se filtra el futuro en el entrenamiento, por lo que el CV de series temporales utiliza divisiones de encadenamiento directo que solo se entrenan en base a observaciones pasadas.