Nested Cross-Validation (Validación Cruzada Anidada)

Es un método estadístico que se utiliza en el ámbito de la inteligencia artificial y el aprendizaje automático para evaluar el rendimiento de un modelo y seleccionar hiperparámetros de manera robusta.

Consiste en una estructura de doble bucle: un bucle exterior que se utiliza para evaluar el rendimiento del modelo y un bucle interior que se utiliza para optimizar los hiperparámetros.

En el bucle exterior, los datos se dividen en conjuntos de entrenamiento y prueba, garantizando que la evaluación se realice sobre datos no vistos.

En el bucle interior, se realiza un proceso de validación cruzada para seleccionar los mejores hiperparámetros del modelo en base a un conjunto de métricas.

Este enfoque minimiza el riesgo de sobreajuste durante la selección de hiperparámetros al separar claramente la evaluación del modelo del proceso de ajuste.

Se considera una técnica fundamental para garantizar una evaluación imparcial y confiable del modelo, sobre todo en problemas donde la generalización a datos nuevos es crítica.

Es particularmente útil en estudios con conjuntos de datos limitados, donde maximizar la utilidad de los datos y reducir el sesgo de evaluación es esencial.