交差検証（クロスバリデーション）とは、機械学習モデルの汎化性能を正確に評価するための手法です。手元にあるデータを複数のグループに分割し、訓練用データとテスト用データを入れ替えながら評価を繰り返します。特定データへの偏りを防ぎ、未知のデータに対する予測精度（汎化性能）を客観的に測定できるため、ハイパーパラメータ自動調整やモデル選択で必須の評価手法です。
交差検証とは
交差検証は、限定されたデータセットを有効活用し、機械学習モデルが未知のデータに対しても高い精度を発揮できるか（汎化性能）を公正に評価するための検証手法です。
詳しく解説
機械学習では、学習に使用したデータだけに過剰に適合する過学習が課題となります。単純にデータを一度だけ訓練用とテスト用に分割するHold-out検証では、分割の仕方によって評価結果が偶然左右されるリスクがあります。交差検証では、データをK個のグループに分割するK-Fold交差検証などが代表的であり、データを入れ替えながらK回の学習と評価を行い、その平均値を最終的な評価指標とします。これによりデータ全体の偏りを抑え、信頼性の高い精度評価が可能になります。特にハイパーパラメータ調整やアルゴリズム選択において極めて重要です。
具体例・使われ方
例えば、医療診断AIの開発において1000件の患者データがある場合、データを5つのグループに分割（5-Fold交差検証）します。4つのグループ（800件）でモデルを訓練し、残りの1つのグループ（200件）で予測精度をテストする手順を、テスト用グループを順に変えながら5回繰り返します。全データが一度はテストデータとして使われるため、偏りのない評価結果が得られます。
似た用語との違い
Hold-out検証との違いは、データを一度だけ分割するか、何度も入れ替えて評価を繰り返すかにあります。Hold-out検証は計算コストが低い反面、分割の偏りに影響を受けやすいです。また、最終的なモデル検証用データは交差検証用データと明確に分離して管理する必要があります。
注意点
交差検証は複数回の学習と評価を繰り返すため、計算コストが増大し、大規模な深層学習などでは実行に時間がかかる点に注意が必要です。また、時系列データに通常の交差検証を適用すると未来のデータで過去を予測する「データリーク」が発生するため、時系列専用の手法を用いる必要があります。