[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-cross-validation::ru":3,"gloss-cluster-cross-validation::ru":23,"gloss-next-cross-validation::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"cross-validation","mlops","Перекрёстная проверка","Перекрёстная проверка оценивает обобщающую способность модели, разбивая данные на k частей, обучая модель k раз и каждый раз откладывая под тест другую часть, а затем усредняя результаты. Вместо одной оценки из одного произвольного разбиения вы получаете k оценок, разброс которых показывает, насколько результат зависит от того, какие строки куда попали. Именно разброс здесь и важен. На небольшом наборе единственная отложенная оценка может гулять на несколько пунктов чисто по жребию, и команды регулярно принимают это колебание за реальное улучшение; перекрёстная проверка делает неопределённость видимой и даёт более честное сравнение моделей-кандидатов или гиперпараметров. Стоит она в k раз дороже по вычислениям на обучение — поэтому она стандартна для малых и средних наборов и редка для больших моделей, где практичен один аккуратно построенный отложенный набор. Разновидности важны не меньше самого метода. Стратифицированные фолды сохраняют баланс классов внутри каждого фолда и являются выбором по умолчанию для классификации с редкими классами. Групповые фолды держат все строки одной сущности в одном фолде — по той же причине, по которой наивное разбиение течёт. Перекрёстная проверка для временных рядов обучается на растущем префиксе и проверяется на следующем окне, никогда на прошлом. И если перекрёстная проверка использовалась для выбора модели, сам выбор видел все фолды, так что победившая оценка оптимистична: чтобы сообщить честное число, всё равно нужен по-настоящему нетронутый финальный тест.","Перекрёстная проверка прогоняет отложенный набор по k фолдам и показывает разброс, а не одну удачную оценку; со стратифицированным и групповым вариантами.",null,[11,14,17,20],{"slug":12,"name":13},"hyperparameter-tuning","Подбор гиперпараметров",{"slug":15,"name":16},"overfitting","Переобучение (Overfitting)",{"slug":18,"name":19},"statistical-significance","Статистическая значимость",{"slug":21,"name":22},"train-test-split","Разделение на обучение и тест",[24,28,32,35,38,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"annotation-guidelines","Инструкции по разметке","2026-08-24T03:30:02+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"baseline-model","Базовая модель (baseline)","2026-08-24T02:46:38+00:00",{"slug":33,"category":5,"name":34,"updated_at":31},"batch-inference","Батч-инференс",{"slug":36,"category":5,"name":37,"updated_at":31},"canary-prompt","Канареечный промпт",{"slug":39,"category":5,"name":40,"updated_at":41},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)","2026-08-24T02:46:37+00:00",{"slug":43,"category":5,"name":44,"updated_at":31},"class-imbalance","Дисбаланс классов",{"slug":46,"category":5,"name":47,"updated_at":31},"continuous-batching","Continuous Batching (непрерывная пакетная обработка)",{"slug":49,"category":5,"name":50,"updated_at":31},"data-labeling","Разметка данных",{"slug":52,"category":5,"name":53,"updated_at":41},"drift-detection","Обнаружение дрейфа (Drift Detection)",{"slug":55,"category":5,"name":56,"updated_at":41},"eval-harness","Испытательный стенд оценки (Eval Harness)",{"slug":58,"category":5,"name":59,"updated_at":41},"experiment-tracking","Трекинг экспериментов (Experiment Tracking)",{"slug":61,"category":5,"name":62,"updated_at":31},"explainability","Объяснимость"]