Cross-validation (validation croisée)
La validation croisée est une technique qui évalue la fiabilité d’un modèle prédictif en le testant sur des données qu’il n’a pas utilisées pour s’entraîner. Elle divise le jeu de données en plusieurs sous-ensembles (folds) : le modèle s’entraîne sur une partie, se teste sur le reste, et ce processus se répète plusieurs fois avec des découpages différents.
La variante la plus courante, le K-fold, découpe les données en K sous-ensembles égaux : le modèle s’entraîne K fois, chaque fois sur K-1 segments, en testant sur le segment restant. La performance finale est la moyenne des K résultats.
Objectif : détecter le surapprentissage (overfitting), quand un modèle « mémorise » ses données d’entraînement au lieu d’apprendre des schémas généralisables — et donc échoue sur des données réelles nouvelles.
En RH, cette étape est invisible pour l’utilisateur final, mais conditionne la fiabilité d’un outil : un modèle de scoring de CV ou de prédiction de turnover mal validé peut sembler performant en test tout en se révélant peu fiable en usage réel.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : Ultralytics (29/01/2026), Wikipédia FR.