Ein Datenwissenschaftler erstellt einen binären Krankheitsklassifikator aus einer Zufallsstichprobe von 400 Patienten, wobei die Prävalenz der Krankheit etwa 3 % beträgt. Welche Kreuzvalidierungsstrategie ist am besten geeignet, um das Modell zu bewerten?

Die stratifizierte k-fache Kreuzvalidierung ist am besten geeignet, da sie sicherstellt, dass jede Falte (Fold) eine ähnliche Verteilung der Klassen wie der gesamte Datensatz aufweist. Bei einer Prävalenz von nur 3 % ist die Krankheit eine Minderheitsklasse. Eine Standard-Kreuzvalidierung könnte dazu führen, dass einige Falten keine oder nur sehr wenige Fälle der Minderheitsklasse enthalten, was die Modellbewertung unzuverlässig macht. Die Stratifizierung verhindert dies. Eine Wiederholung der Standard-Kreuzvalidierung würde das Problem der ungleichen Verteilung nicht lösen. Eine einzelne 80/20-Aufteilung, selbst wenn sie stratifiziert ist, nutzt nicht den gesamten Datensatz so effizient zur Bewertung wie die k-fache Kreuzvalidierung und liefert eine weniger robuste Schätzung der Modellleistung.