Validación cruzada
Sinónimos: Cross-validation
Definición ampliada
La validación cruzada, o cross-validation, divide los datos en subconjuntos y repite el ajuste y la evaluación. En la variante de k particiones (k-fold), se entrena un modelo nuevo con k−1 partes y se evalúa en la restante; cada parte se reserva una vez. Se agregan las evaluaciones para estimar el rendimiento fuera de los datos usados en cada ajuste [1].
Si esas evaluaciones también sirven para escoger hiperparámetros, informar del mejor resultado como rendimiento final introduce optimismo. La validación cruzada anidada separa la selección en un bucle interno y la evaluación en otro externo [2].
Contexto histórico
La separación entre datos de construcción y evaluación tiene antecedentes estadísticos anteriores al aprendizaje automático. Stone formalizó en 1974 procedimientos de elección y evaluación predictiva mediante validación cruzada [1]. En 2006, Varma y Simon mostraron con simulaciones el sesgo de usar la misma validación para seleccionar y evaluar [2].
Importancia actual
A fecha de septiembre de 2026, su utilidad está en aprovechar los datos de desarrollo sin evaluar cada ajuste sobre sus propios ejemplos. Ayuda a comparar modelos y regularización; no evita automáticamente el sobreajuste ni sustituye la validación externa.
Aplicaciones
Generales
- Comparar configuraciones con particiones y métricas comunes.
- Seleccionar hiperparámetros dentro de una evaluación correctamente separada.
- Examinar cuánto depende el resultado de la partición usada.
Sanitarias
Permite evaluar modelos de riesgo en una cohorte de desarrollo. La partición debe responder al uso previsto: separar pacientes, centros o periodos plantea preguntas diferentes. Repartir aleatoriamente registros de un mismo hospital no demuestra que el modelo funcione en otros hospitales.
Limitaciones
- Hay que repetir dentro de cada entrenamiento la imputación, selección de variables y demás pasos aprendidos de los datos [2].
- Registros del mismo paciente en entrenamiento y evaluación pueden filtrar información y exagerar el rendimiento.
- En predicción temporal, una partición aleatoria puede permitir aprender del futuro que se pretende predecir.
- Reentrenar muchas veces aumenta el coste; las estimaciones de las distintas particiones tampoco son independientes.
Ejemplos
Ejemplo hipotético: con 500 pacientes se forman cinco grupos de 100. En cada ronda, se ajusta todo el procedimiento con 400 y se evalúa con los otros 100. Las visitas de cada paciente permanecen juntas. Si se comparan muchas configuraciones, se añade una selección interna o se reserva una evaluación final independiente.