La validación cruzada k-fold convencional presenta el problema de usar cada instancia para entrenamiento (k-1) veces y prueba una sola vez, lo que resulta en redundancia y un impacto desproporcionado en el proceso de aprendizaje debido a múltiples instancias. En este artículo, presentamos un método novedoso, la validación cruzada k-fold irredundante, que garantiza que cada instancia se use tanto para entrenamiento como para prueba exactamente una vez durante todo el proceso de validación. Esto garantiza un uso equilibrado del conjunto de datos, mitiga el sobreajuste debido a la repetición de instancias y permite diferencias más claras en el análisis de modelos. Los resultados experimentales demuestran que este método mantiene un rendimiento jerárquico e independiente del modelo en diversos conjuntos de datos, a la vez que proporciona estimaciones de varianza más bajas y reduce significativamente los costos computacionales generales gracias a la no superposición de particiones de entrenamiento.
