Как выполняется кросс-валидация

Кросс-валидация (CV) — это метод оценки модели, при котором данные разбиваются на k частей (фолдов). Модель обучается на k-1 фолдах, а тестируется на оставшемся. Процесс повторяется k раз, каждый раз с новым тестовым фолдом. Результаты агрегируются для итоговой оценки.

Основные типы:

• k-Fold CV (стандартный)
• Stratified k-Fold (сохраняет распределение классов)
• TimeSeriesSplit (для временных рядов)

Пример с scikit-learn:

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)  # 5 фолдов
print(f"Accuracy: {scores.mean():.2f} ± {scores.std():.2f}")

Плюсы: надежная оценка, использование всех данных. Минусы: вычислительная затратность.