Métodos de validación de modelos

Qué es hold-out, cross-validation y leave-one-out (LOO), en qué se diferencian de la validación externa, y su origen dentro de la estadística clásica.

Autor/a

Afiliación

Manuel Spínola

ICOMVIS - UNA

Fecha de publicación

28 de julio de 2026

Cómo saber si un modelo predice bien datos que nunca vio

DEFINICIÓN

Los métodos de validación evalúan qué tan bien generaliza un modelo a datos que no usó para ajustarse. Esta infografía se enfoca en la validación interna por remuestreo — hold-out, cross-validation y leave-one-out — que reutiliza distintas particiones de la misma muestra.

EN PALABRAS SIMPLES

Sin validación, un modelo puede lucir excelente solo porque memorizó los datos con los que se entrenó — el problema de sobreajuste (ver la infografía Machine learning).

Contexto histórico: el machine learning volvió estos métodos una práctica cotidiana, pero son varias décadas anteriores. El hold-out se remonta a Larson (1931) en psicometría; el leave-one-out aparece en Lachenbruch y Mickey (1968) para análisis discriminante; y Stone (1974) formalizó la validación cruzada como método general de selección de modelos. Los cursos clásicos de estadística, centrados en pruebas de hipótesis y estimación, simplemente los enfatizan menos que los cursos orientados a modelado predictivo.

DEFINICIÓN

Se divide una sola vez el conjunto de datos en dos partes: entrenamiento (para ajustar el modelo) y prueba (para evaluarlo) — típicamente 70/30 u 80/20.

VENTAJAS Y LIMITACIONES

Simple y rápido de calcular. Pero la estimación del desempeño depende de la partición elegida — con muestras pequeñas, la estimación puede ser inestable.

Datos completos, una sola partición

Entrenamiento (70%)

Prueba (30%)

Entrenamiento, validación y prueba: en algunos flujos de trabajo, especialmente en machine learning, además del conjunto de prueba se usa un conjunto de validación aparte, para ajustar hiperparámetros antes de la evaluación final. Ese “conjunto de validación” no es sinónimo de “validación” en el sentido general de esta infografía: es simplemente una tercera partición de los datos, adicional al hold-out clásico de dos partes.

DEFINICIÓN

Los datos se dividen en k partes (folds). El modelo se entrena k veces, usando cada vez k-1 partes para entrenar y la restante para evaluar, y se promedia una métrica de desempeño (por ejemplo, RMSE, AUC, exactitud o error de clasificación) de las k iteraciones.

VENTAJAS Y LIMITACIONES

Todas las observaciones se utilizan para entrenamiento y para evaluación, pero en iteraciones distintas — nunca se evalúa una observación en la misma iteración en que se entrenó con ella. Esto da una estimación más estable que un solo hold-out, a costa de entrenar el modelo k veces.

5-fold cross-validation: el fold de prueba (naranja) rota en cada iteración. Cada fold agrupa varias observaciones.

Iteración 1

Error 1

Iteración 2

Error 2

Iteración 3

Error 3

Iteración 4

Error 4

Iteración 5

Error 5

Métrica final = promedio de las 5 iteraciones · ■ entrenamiento ■ prueba (fold, grupo de observaciones)

DEFINICIÓN

Es el caso extremo de k-fold cuando k = n (el número de observaciones): en cada iteración se deja fuera una sola observación para evaluar, y se entrena con el resto.

VENTAJAS Y LIMITACIONES

Usa casi todos los datos para entrenar en cada iteración (bajo sesgo), pero puede tener alta varianza como estimador del error, y es exigente computacionalmente salvo que el modelo permita atajos analíticos (ej. regresión lineal).

LOO con n = 20 observaciones individuales: a diferencia de los folds de k-fold, aquí cada cuadrito es una sola observación, y se deja fuera una a la vez

Iteración 1

Iteración 2

⋮

Iteración 20

Con n observaciones se repite n veces, dejando fuera una observación distinta cada vez · ■ entrenamiento ■ observación dejada fuera

Aspecto	Hold-out	Cross-validation (k-fold)	Leave-one-out
Costo computacional	Bajo — una sola vuelta	Moderado — k vueltas	Alto — n vueltas, salvo atajos analíticos
Uso de los datos	Una sola partición	Todos los datos, en distintas particiones	Todos los datos, dejando uno fuera cada vez
Estabilidad de la estimación	Baja con muestras pequeñas	Alta (buen equilibrio con k = 5 o 10)	Bajo sesgo, pero puede tener alta varianza
Cuándo conviene	Muestras grandes, prototipos rápidos	Uso general	Muestras pequeñas, cuando el costo computacional lo permite

VALIDACIÓN INTERNA

Hold-out, cross-validation y LOO son formas de validación interna: reparticionan la misma muestra una y otra vez. Estiman qué tan bien generaliza el modelo dentro de las condiciones (población, sitio, período) representadas en esos datos.

VALIDACIÓN EXTERNA

Evalúa el modelo con datos genuinamente independientes — de otro sitio, otra época o otra población, recolectados aparte. Es la prueba más exigente de que el modelo generaliza más allá de la muestra con la que se construyó.

La validación cruzada en bloques sigue siendo interna: cuando los folds se separan geográfica o temporalmente para lidiar con autocorrelación espacial o temporal (por ejemplo, en modelos de distribución de especies o de ocupación), se obtiene una estimación más realista que con folds aleatorios — pero los datos siguen procediendo del mismo estudio o proceso de muestreo. Un modelo puede validar muy bien por cross-validation interna y aun así predecir mal al aplicarse a un sitio o período genuinamente nuevo. Solo la validación externa pone a prueba esa transferencia (ver las infografías Nicho ecológico vs. distribución de especies y Modelos de ocupación).

Un tercer sentido de “validación”: en estadística también se habla de validar los supuestos del modelo (normalidad de residuales, homocedasticidad, bondad de ajuste). Es una pregunta distinta a las de esta infografía — no evalúa qué tan bien predice el modelo datos nuevos, sino si se cumplen las condiciones bajo las cuales el modelo es válido.

Malentendido común: fuga de información (data leakage). Un error frecuente —incluso en artículos científicos— es realizar selección de variables, imputación, estandarización o ajuste de hiperparámetros usando todos los datos antes de dividir en particiones. Todo el preprocesamiento debe repetirse dentro de cada partición de entrenamiento; de lo contrario, la estimación del desempeño resulta demasiado optimista.

EN RESUMEN

Hold-out, cross-validation y leave-one-out son formas de validación interna: estiman qué tan bien generaliza un modelo a datos no utilizados para el ajuste, pero representativos del mismo proceso de generación de datos, con distintos equilibrios entre costo computacional y estabilidad de la estimación. Son herramientas estadísticas de varias décadas de antigüedad, que la práctica moderna de modelado predictivo volvió indispensables. Pero “validación” es un término más amplio: la validación externa (datos independientes) y la validación de supuestos (diagnóstico del modelo) responden preguntas distintas, y ninguna técnica de remuestreo las sustituye.

Manuel Spínola · ICOMVIS-UNA

Cómo citar

BibTeX

@online{spínola2026,
  author = {Spínola, Manuel},
  title = {Métodos de validación de modelos},
  date = {2026-07-28},
  url = {https://mspinola-infografias.netlify.app/infografias/estadistica/modelos/metodos_validacion.html},
  langid = {es}
}

Por favor, cita este trabajo como:

Spínola, Manuel. 2026. “Métodos de validación de modelos.” July 28. https://mspinola-infografias.netlify.app/infografias/estadistica/modelos/metodos_validacion.html.