A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários. Uma das características da validação cruzada com k conjuntos é que esse método
- A considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.
- B divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.
- C gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.
- D penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.
- E produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.