Cómo funciona
En lugar de usar una única división entrenamiento/prueba, la validación cruzada (cross-validation) divide el conjunto en k partes (folds). El modelo se entrena con k-1 partes y se prueba con la parte restante; el proceso se repite k veces, cada vez con una parte diferente de prueba. El promedio de los resultados da una estimación más confiable del desempeño real. La variante más común es la k-fold, pero existen otras, como leave-one-out.
Ejemplo práctico
Con 1000 ejemplos y k=5, cada fold tiene 200 ejemplos. El modelo se entrena 5 veces, se prueba con 200 ejemplos diferentes en cada ocasión, y la exactitud final es el promedio de las 5 rondas. Esto reduce el impacto de una división desafortunada y acerca la evaluación al conjunto de prueba final.
Para qué sirve
Reduce el riesgo de que una división de datos afortunada o desafortunada dé una impresión falsa de calidad. Es una práctica estándar para comparar modelos y ajustar hiperparámetros de forma honesta, especialmente con conjuntos de datos pequeños o medianos.
Limitaciones
La validación cruzada no sustituye un conjunto de prueba final intacto. Ayuda a detectar overfitting, pero la regularización y la evaluación final siguen siendo necesarias para garantizar la generalización en producción.