Validarea încrucișată (cross-validation) este o tehnică statistică folosită pentru a evalua cât de bine generalizează un model de învățare automată la date noi, nevăzute în timpul antrenamentului — altfel spus, dacă modelul a învățat tipare reale sau doar a memorat datele de antrenament (fenomen numit overfitting).
Cea mai populară variantă este validarea încrucișată k-fold: setul de date este împărțit în k subseturi (de exemplu, k=5 sau k=10) de dimensiuni egale. Modelul este antrenat de k ori, folosind de fiecare dată k-1 subseturi pentru antrenament și subsetul rămas pentru testare. La final, performanțele obținute în cele k rulări sunt mediate, oferind o estimare mai robustă și mai puțin dependentă de o singură împărțire aleatorie a datelor decât o simplă separare antrenament/test.
Această tehnică este esențială mai ales atunci când setul de date disponibil este mic — situație frecventă în cercetare medicală sau în aplicații de nișă — pentru că folosește fiecare exemplu atât pentru antrenament, cât și pentru testare, maximizând informația extrasă din datele limitate.
Variante specializate includ validarea încrucișată stratificată (care păstrează proporția claselor în fiecare subset, importantă pentru seturi de date dezechilibrate) și validarea leave-one-out (unde fiecare exemplu individual devine, pe rând, setul de test). Validarea încrucișată este un pas standard înainte de a alege hiperparametrii finali ai unui model sau de a compara mai multe arhitecturi între ele.
