Um cientista de dados está construindo um classificador binário de doenças a partir de uma amostra aleatória de 400 pacientes, onde a prevalência da doença é de cerca de 3%. Qual estratégia de validação cruzada é a mais apropriada para avaliar o modelo?

A validação cruzada k-fold estratificada é a mais apropriada porque a prevalência da doença é muito baixa (3%), indicando um conjunto de dados desequilibrado. A estratificação garante que cada fold da validação cruzada mantenha a mesma proporção de classes (doentes vs. não doentes) que o conjunto de dados original. Isso é crucial para obter estimativas de desempenho do modelo mais confiáveis e menos enviesadas, especialmente para a classe minoritária. A validação cruzada k-fold padrão não estratificada poderia resultar em folds onde a classe minoritária está ausente ou sub-representada, levando a avaliações de modelo imprecisas. A repetição da validação k-fold padrão não resolve o problema fundamental do desequilíbrio dentro de cada fold. Uma divisão única de treino/validação, mesmo que estratificada, fornece apenas uma estimativa do desempenho, enquanto a validação cruzada oferece uma avaliação mais robusta e menos sensível à partição específica.