Eine robuste Methode zur Bewertung der Leistungsfähigkeit eines Machine-Learning-Modells und zur Auswahl von Hyperparametern. Dabei werden die Daten mehrfach in Trainings- und Testsets aufgeteilt (z.B. k-Fold Cross-Validation), und die Ergebnisse über die Durchläufe gemittelt, um eine zuverlässigere Schätzung der Generalisierungsfähigkeit auf neuen Daten zu erhalten.