Définition
Validation croisée
La validation croisée teste un modèle sur plusieurs découpages des données pour juger sa fiabilité de façon robuste.
En clair
La validation croisée évalue un modèle en le testant sur plusieurs partitions différentes des données, plutôt que sur un unique jeu de test qui pourrait être trompeur.
Comment ça marche
On découpe les données en k parts. À tour de rôle, chaque part sert de test pendant que les autres servent d’entraînement. On moyenne les résultats : l’estimation de performance est plus fiable.
Un exemple concret
Avec 5 découpages, on entraîne et teste 5 fois sur des combinaisons différentes. Si le modèle est bon partout, on a confiance ; s’il varie beaucoup, c’est un signal d’alerte.
Pourquoi ça compte
Elle évite de se réjouir (ou de s’inquiéter) à cause d’un seul découpage favorable ou défavorable — surtout quand les données sont peu nombreuses.
À retenir
Ne pas juger un modèle sur un seul tirage de chance : le tester plusieurs fois, autrement.
Questions fréquentes
Quand l’utiliser ?+
Surtout avec peu de données, pour une estimation plus fiable.
C’est long ?+
Plus qu’un test unique, car on entraîne plusieurs fois.
Combien de découpages ?+
5 ou 10 sont des choix courants.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.