一位資料科學家正在從 400 名病患的隨機樣本中建立一個二元疾病分類器，其中疾病盛行率約為 3%。哪種交叉驗證策略最適合評估模型？

在疾病分類器中，疾病盛行率僅為 3%，這表示資料集存在嚴重的類別不平衡。標準 k-fold 交叉驗證可能會導致某些折疊（folds）中幾乎沒有或完全沒有正類別（患病）樣本，這會使模型評估結果不穩定且不可靠。分層 k-fold 交叉驗證（Stratified k-fold cross-validation）會確保每個折疊中正負類別的比例與原始資料集中的比例大致相同。這對於評估在不平衡資料集上訓練的模型至關重要，因為它能提供更穩定和具代表性的性能估計。重複 k-fold 交叉驗證雖然能減少結果變異性，但對於類別不平衡問題，分層是更根本的解決方案。單一的 80/20 分割可能無法充分捕捉模型的泛化能力，且在不平衡資料下仍可能遇到類似問題。