Validación cruzada de un solo elemento

term_id: leave_one_out_cross_validation

Category: basic_concepts

Definition

La validación cruzada de un solo elemento (LOOCV, por sus siglas en inglés) es un caso específico de la validación cruzada k-fold donde k es igual al número de muestras en el conjunto de datos. Proporciona una estimación casi insesgada del rendimiento del modelo, siendo particularmente útil cuando los datos son limitados, aunque implica un alto costo computacional debido a la necesidad de entrenar el modelo tantas veces como puntos de datos existan.

Summary

Una técnica rigurosa de remuestreo en la que el modelo se entrena con todos los datos excepto uno y se prueba con esa única muestra retenida, repitiendo el proceso para cada punto de datos.

Key Concepts

  • Remuestreo
  • Evaluación de modelos
  • Compromiso sesgo-varianza
  • Coste computacional

Use Cases

  • Evaluación de modelos en conjuntos de datos médicos pequeños
  • Ajuste de hiperparámetros cuando los datos son escasos
  • Comparación rigurosa del rendimiento de algoritmos

Code Example

1
2
3
4
5
6
7

from sklearn.model_selection import LeaveOneOut
loo = LeaveOneOut()
for train_index, test_index in loo.split(X):
    X_train, X_test = X[train_index], X[test_index]
    y_train, y_test = y[train_index], y[test_index]
    model.fit(X_train, y_train)
    score = model.score(X_test, y_test)

Related