K‑Fold

Okt. 17, 2025

—

von

Philipp: Schweizer KI Akademie

Einfach erklärt

K‑Fold ist eine Cross‑Validation‑Variante. Du teilst deine Daten in K gleich große Teile (Falten). Dann machst du K Durchläufe: Jedes Mal wird auf K−1 Teilen trainiert und auf dem übrigen Teil getestet. Am Ende mittelst du die K Testergebnisse. So bekommst du eine stabilere und fairere Schätzung der Modellleistung als mit nur einem Train/Test‑Split.

Kurz: K‑mal trainieren & testen, jede Falte einmal Test → Mittelwert als Leistung.

Ganz einfache Beispiele (mit Alltagsbildern)

• Vokabel‑Stapel: Du hast 5 Stapel. Vier nutzt du zum Lernen, den fünften zum Abfragen. Danach wechselst du den Abfragestapel, bis jeder einmal dran war. Die durchschnittliche Note zeigt, wie gut du insgesamt bist.

• Backrezept‑Check: Du bäckst 5 Mal denselben Kuchen, aber jedes Mal probiert eine andere Gruppe. Der Durchschnitt der Bewertungen ist fairer als nur eine Meinung.

• Fußball‑Tryouts: Aus 5 Gruppen spielt jede einmal gegen die Trainer (Test), während die anderen trainieren. So sieht man besser, wer wirklich überzeugt – unabhängig von der Gruppenzusammensetzung.

Professionelle Definition (verständlich)

Teile den Datensatz in K annähernd gleich große Falten.
Für j = 1 … K: Trainiere das Modell auf allen Falten außer j und evaluiere auf Falte j.
Berichte den Mittelwert (und gern Standardabweichung) einer Metrik (z. B. F1, Accuracy, RMSE) über alle K Durchläufe.

Praktische Varianten:

Stratified K‑Fold (Klassifikation): Erhält den Klassenanteil pro Falte (wichtig bei unausgewogenen Klassen).
Group K‑Fold: Ganze Gruppen bleiben zusammen (z. B. alle Einträge pro Kunde/Patient), damit keine Datenleckage entsteht.
Repeated K‑Fold: Mehrfaches Wiederholen mit neuem Shuffle für stabilere Schätzungen.
Time‑Series Split: Für Zeitreihen nur in die Zukunft testen (rollend/expandierend) – niemals mischen.

Praxis‑Tipps

K wählen: Häufig K = 5 oder 10; mehr Falten = teurer, nicht immer besser.
Pipelines nutzen: Skalierung, Imputation, Feature‑Auswahl immer innerhalb der Trainingsfalte fitten und erst dann auf die Testfalte anwenden (sonst Leakage).
Klassenungleichgewicht: Stratify verwenden.
Kleine Datensätze: Lieber Repeated K‑Fold statt LOOCV (Leave‑One‑Out ist sehr teuer und oft lauter).
Hyperparameter‑Tuning: Innerhalb einer verschachtelten CV (Nested CV) durchführen; die äußere CV bleibt unberührt für die faire Leistungsschätzung.
Berichten: Mittel ± Standardabweichung, ggf. Boxplot der Folds.