Entonces una vez que tenemos el modelo, o si estamos haciendo trading<\/strong>, la estrategia en s\u00ed, una manera de comprobar la estabilidad y robustez de \u00e9stos es usando la t\u00e9cnica de validac\u00ed\u00f3n cruzada<\/strong>, que no es m\u00e1s que dividir los datos que tenemos en partes, de forma que usaremos una parte de los datos para la creaci\u00f3n de nuestro modelo y otra parte para probar su comportamiento<\/p>\n\n\n\n <\/p>\n\n\n\n \ud83e\udd2a Aunque al principio parezca complicado, en realidad es algo m\u00e1s simple de lo que parece y tiene mucha l\u00f3gica, ya que lo que buscaremos en l\u00edneas generales es intentar adaptarnos o simular <\/strong>lo que podr\u00edamos encontrarnos una vez lo tengamos que usar en la realidad.<\/p>\n\n\n\n Hay muchas formas de realizar este m\u00e9todo. La m\u00e1s simple, y la que puedes usar al principio para ir aprendiendo si no tienes conocimiento es simplemente dividir todos tus datos en dos partes. Una parte la usas para crear<\/strong> el modelo y la otra para probarlo.<\/strong><\/p>\n\n\n\n Lo \u00fanico que pasa con hacerlo as\u00ed es que es muy probable que los resultados var\u00eden mucho en funci\u00f3n de la cantidad de datos que uses y c\u00f3mo los dividas, pero igualmente es una forma de comenzar.<\/p>\n\n\n\n Por ejemplo, imaginemos que quieres predecir el precio de una acci\u00f3n<\/strong> el siguiente mes, y tienes datos mensuales de 6 a\u00f1os. Pues puedes usar los 5 primeros a\u00f1os para crear el modelo y el \u00faltimo para probarlo. \ud83d\udc47\ud83d\udc47<\/p>\n\n\n\n <\/p>\n\n\n\n <\/p>\n\n\n\n M\u00c9TODO DE VALIDACI\u00d3N CRUZADA CON K ITERACIONES<\/strong><\/p>\n\n\n\n Otra forma es con el m\u00e9todo k-fold.<\/strong> Lo que se har\u00e1 es crear varios subconjuntos, y se ir\u00e1 iterando en funci\u00f3n de los subconjuntos que se tengan. Es m\u00e1s preciso que el primer m\u00e9todo porque es m\u00e1s din\u00e1mico y podremos comprobar mejor si nuestro sistema o modelo se adapta bien a las diferentes situaciones. <\/p>\n\n\n\n <\/p>\n\n\n\n M\u00c9TODO DE VALIDACI\u00d3N CRUZADA DEJANDO UNO FUERA<\/strong> (LOOCV)<\/strong><\/em><\/p>\n\n\n\n Otra opci\u00f3n es la validaci\u00f3n cruzada dejando uno fuera. Aqu\u00ed usamos todos los datos para entrenar el modelo y s\u00f3lo uno para comprobar o testear. En el gr\u00e1fico de abajo puedes ver c\u00f3mo si dividen los datos de la muestra.<\/p>\n\n\n\n <\/p>\n\n\n\n \ud83d\udcbbHay muchas m\u00e1s formas, y dentro sobretodo de la parte de Machine Learning<\/strong> se utilizan muchas combinaciones, pero la idea principal es la que hemos expuesto. Es muy importante usar alguna de estas t\u00e9cnicas para poder estar m\u00e1s seguros cuando usemos modelos en nuestros an\u00e1lisis.<\/p>\n\n\n\n En el siguiente v\u00eddeo explico m\u00e1s detallado este tema haciendo un ejemplo en R studio<\/strong> creando primero un modelo de regresi\u00f3n lineal m\u00faltiple para predecir el precio de una divisa y despu\u00e9s usando la validaci\u00f3n cruzada para ver la eficacia del modelo. M\u00e1s abajo dejar\u00e9 el c\u00f3digo usado en el v\u00eddeo. <\/p>\n\n\n\n![\"\"](\"https:\/\/ricovictor.com\/wp-content\/uploads\/2020\/04\/Esquema_castell\u00e0.jpg\")
![\"\"](\"https:\/\/ricovictor.com\/wp-content\/uploads\/2020\/04\/Metodo_de_retenci\u00f3n.jpg\")
<\/figure><\/li><\/ul><\/figure>\n\n\n\n![\"\"](\"https:\/\/ricovictor.com\/wp-content\/uploads\/2020\/04\/K-fold_cross_validation.jpg\")
![\"\"](\"https:\/\/ricovictor.com\/wp-content\/uploads\/2020\/04\/Leave-one-out.jpg\")