Cross-Validation ist ein Begriff, der vor allem in den Bereichen Künstliche Intelligenz, Big Data und Smart Data sowie Digitale Transformation eine wichtige Rolle spielt.
Mit Cross-Validation bezeichnet man eine Methode, bei der ein computergestütztes Modell – zum Beispiel eine Künstliche Intelligenz, die Bilder oder Texte analysieren soll – auf eine ganz bestimmte Art getestet wird. Ziel ist es, herauszufinden, wie gut dieses Modell wirklich ist und wie zuverlässig es auch bei neuen, unbekannten Daten funktioniert.
Stellen Sie sich vor, Sie haben eine große Tabelle mit Daten, etwa tausende Kundeneinträge. Anstatt das Modell nur mit einem Teil dieser Daten zu trainieren und mit dem anderen zu testen, wird bei der Cross-Validation die gesamte Datenmenge mehrfach unterschiedlich aufgeteilt. Jedes Mal trainiert das Modell mit einem Teil und prüft dann am verbleibenden Teil seine Leistung. So ergibt sich ein viel genaueres Bild davon, wie zuverlässig das Modell in der Praxis ist.
Durch Cross-Validation lässt sich vermeiden, dass ein Modell zu „optimistisch“ bewertet wird, weil es zufällig besonders gut auf einen bestimmten Datensatz passt. Unternehmen nutzen diese Methode, um bessere Entscheidungen bei der Entwicklung von Künstlicher Intelligenz und datenbasierten Lösungen zu treffen.
Deutsch 
English (UK)