Какие знаешь стратегии кросс валидации

Вот основные стратегии кросс-валидации:

1. K-Fold – данные делятся на K частей, модель обучается на K-1 частях, тестируется на оставшейся. Повторяется K раз.

from sklearn.model_selection import KFold
kf = KFold(n_splits=5)
for train_idx, test_idx in kf.split(X):
    X_train, X_test = X[train_idx], X[test_idx]

2. Stratified K-Fold – сохраняет распределение классов в каждом фолде (важно для несбалансированных данных).

3. Leave-One-Out (LOO) – каждый объект по очереди становится тестовым (K = N).

4. Time Series CV – для временных рядов, чтобы не было утечки будущего в прошлое.

5. Group K-Fold – гарантирует, что одна группа не попадет одновременно в train и test (например, данные от одного пациента).

6. ShuffleSplit – случайные разбиения с возможностью перекрытия.

Выбор зависит от задачи: для временных данных – Time Series, для классификации – Stratified, для небольших датасетов – LOO.