Cross-Validation (Kreuzvalidierung) ist ein Verfahren, um die Leistung eines KI-Modells zuverlässig zu schätzen. Statt einmal in Trainings- und Testdaten zu teilen, rotiert das Verfahren die Testportion: Jede Beobachtung landet irgendwann im Testset, und die Ergebnisse werden gemittelt.
K-Fold im Detail
Beim K-Fold-Verfahren wird der Datensatz in k gleich große Teile (Folds) zerlegt. In jeder der k Runden trainieren Sie das Modell auf k−1 Folds und bewerten es auf dem einen verbleibenden Fold. Nach k Runden haben Sie k Bewertungen, deren Durchschnitt die erwartete Leistung deutlich robuster schätzt als ein einzelner Train-Test-Split — ein einzelner Split kann je nach Zufall glücklich oder unglücklich ausfallen.
Varianten
- Stratified K-Fold: Jeder Fold behält die Klassenverteilung des Gesamtdatensatzes — Pflicht bei unbalancierten Daten, damit keine Klasse in einem Fold fehlt.
- Leave-One-Out (LOOCV): k = Anzahl der Beispiele; jede Probe ist einmal allein das Testset. Sehr gründlich, aber teuer bei großen Datenmengen.
- Verschachtelte Cross-Validation: äußere Schleife schätzt die Leistung, innere Schleife sucht Hyperparameter — vermeidet optimistische Schätzungen durch Datenlecks bei der Hyperparameter-Wahl.
Vorteile und Grenzen
Cross-Validation nutzt die Daten effizient (jedes Beispiel wird einmal zum Testen verwendet) und hilft, Overfitting zu erkennen: Weichen die Fold-Ergebnisse stark voneinander ab, ist das Modell instabil. Als Bewertung pro Fold lassen sich beliebige Metriken einsetzen — etwa die ROC-Kurve, die Precision-Recall-Kurve oder der F1-Score. Nachteil: k Trainingsläufe kosten entsprechend Rechenzeit; üblich sind k = 5 oder k = 10.
Verwandte Grundlagen: Trainingsdaten, Modell, Overfitting, Underfitting, Hyperparameter.