##  [Kreuzvalidierung (Modellierung)](/de/node/52516) 

 Definition

Ein statistisches Verfahren zur Abschätzung der Out-of-Sample-Leistung eines prädiktiven Modells durch wiederholte Aufteilung beobachteter Daten in komplementäre Trainings- und Bewertungs­mengen; umfasst k-fold, leave-one-out, Rolling-Origin- und stratifizierte Varianten, angepasst an unterschiedliche Datenstrukturen.

 

 

 

 

 

 





## Prinzip

Prinzip

Trennung von Modellanpassung und -bewertung, sodass die gemessene Leistung das Verhalten auf ungesehenen Daten approximiert; wiederholte, unabhängige Partitionen reduzieren Varianz und decken Überanpassung auf.

 

 

 

 

 





## Demonstration

Demonstration

Bei der Kreditwürdigkeitsbewertung trainiert eine stratifizierte k-fold-Kreuzvalidierung einen Klassifikator auf 9 Folds und bewertet ihn auf dem gehaltenen Fold, wiederholt dies über die Folds, um den durchschnittlichen AUC-Wert und dessen Variabilität zu schätzen; bei BIP-Prognosen bewahrt Rolling-Origin die Zeitfolge zur Beurteilung der Prognoseperformance über verschiedene Horizonte.

 

 

 

 

## Fehlanwendung

Fehlanwendung

Anwendung einer zufälligen k-fold-Kreuzvalidierung auf Zeitreihen ohne Erhalt der zeitlichen Reihenfolge, wodurch Zukunftsinformationen ins Training gelangen; Vorverarbeitung (Feature-Auswahl, Normalisierung) auf dem Gesamtdatensatz vor dem Aufteilen, was optimistisch verzerrte Schätzungen erzeugt.

 

 

 

 

 





## Konsequenz

Konsequenz

Ergibt verlässlichere, weniger verzerrte Schätzungen der Generalisierungsfähigkeit als einzelne Trainings-/Test-Splits und unterstützt Hyperparameter-Auswahl sowie Modellvergleich mit quantifizierter Unsicherheit.

 

 

 

 

## Umkehrung

Umkehrung

Bewertung eines Modells nur anhand der In-Sample-Anpassung oder eines einzigen willkürlichen Holdouts führt zu optimistischen oder instabilen Leistungsschätzungen und erhöht die Wahrscheinlichkeit, überangepasste Modelle auszuwählen.

 

 

 

 

 





## Abgrenzung

Abgrenzung

Gilt für die Evaluierung prädiktiver Modelle, nicht für kausale Identifikation; erfordert, dass die Validierungsfolds in einer Weise gezogen werden, die dem produktiven Einsatzszenario entspricht (z. B. Zeitstruktur, Klassenungleichgewicht); behebt nicht automatisch Stichprobenselektionsfehler oder Verteilungsverschiebungen.

 

 

 

 

 





## Semantische Spannung

Semantische Spannung

Wird oft mit einer einzigen Validierungsspalte oder dem Bootstrap verwechselt; im Gegensatz zur externen Validierung auf neuen Daten nutzt die Kreuzvalidierung dasselbe beobachtete Sample wieder und setzt dessen Repräsentativität und geeignete Unabhängigkeit voraus.

 

 

 

 

 





## Synthese

Synthese

Kreuzvalidierung ist ein wiederholbares Protokoll zur Schätzung der erwarteten prädiktiven Leistung eines Modells durch Aufteilen der Daten in Trainings- und Validierungssets entsprechend dem Einsatzkontext, wodurch Überanpassung reduziert und Modellentscheidungen fundiert werden.