Validación cruzada

La validación cruzada es un método para estimar qué tan bien generalizará un modelo cuando los datos son limitados. En lugar de separar una sola vez un conjunto de validación, se repite el proceso varias veces con particiones distintas y se promedian los resultados.

La variante más común es la de k pliegues (k-fold). Se dividen los datos en k partes del mismo tamaño, por ejemplo cinco. Se entrena el modelo con cuatro y se evalúa con la quinta; luego se repite rotando la parte de evaluación hasta que cada una haya servido una vez para probar. Al final se tienen cinco mediciones, cuyo promedio da una estimación más estable y cuya dispersión indica qué tan sensible es el modelo a los datos que le tocaron.

Es especialmente útil para comparar modelos y elegir hiperparámetros sin desperdiciar datos, y para detectar sobreajuste. Existen variantes: la estratificada mantiene la proporción de clases en cada pliegue (importante con clases desbalanceadas), y para series de tiempo se usan esquemas que siempre entrenan con el pasado y evalúan con el futuro.

Dos advertencias. Primero, cuesta k veces más cómputo, por lo que es poco práctica con modelos muy grandes, como las redes neuronales profundas, donde suele bastar una partición fija de entrenamiento, validación y prueba. Segundo, no sustituye al conjunto de prueba final: si usas la validación cruzada para elegir el modelo, conviene reservar datos aparte para la medición definitiva.