باختصار
Leave-One-Out Cross-Validation (وتُختصر LOO) أسلوب تحقق متقاطع يستخدم كل عينة في البيانات كمجموعة اختبار بمفردها مرة واحدة، بينما يُدرَّب النموذج على بقية العيّنات كافة.
بالتفصيل
إذا كانت البيانات تحتوي n عيّنة، ينتج LOO عن n نموذج منفصل: في كل مرة، يُدرَّب نموذج على n-1 عيّنة، ويُختبر على العيّنة الوحيدة المتبقية، ثم تُكرَّر العملية حتى تُختبر كل عيّنة مرة واحدة. هذا يجعله الحالة الأكثر تطرفًا ضمن عائلة التحقق المتقاطع بطيّات-K (K-Fold Cross-Validation)، حيث يساوي K عدد العيّنات نفسه.
الميزة النظرية أن كل نموذج يستفيد من أكبر قدر ممكن من البيانات (n-1 عيّنة)، لكن الكلفة الحسابية عالية جدًا — إذ يتطلب تدريب النموذج n مرة كاملة بدل عدد قليل من الطيّات كما في K-Fold المعتاد. كما أن النماذج الناتجة تكون شبه متطابقة مع بعضها البعض (بسبب التداخل الكبير في بيانات التدريب)، ما يجعل تقدير الخطأ عالي التباين إحصائيًا. لهذا السبب، توصي أغلب الأدبيات العلمية والتجارب العملية باستخدام تحقق 5 أو 10 طيّات بدل LOO في أغلب الحالات، إلا إذا كانت البيانات محدودة جدًا أو منحنى التعلّم شديد الانحدار.
مثال عملي
مع مجموعة بيانات صغيرة جدًا — عشرين عيّنة طبية نادرة مثلًا — قد يكون فقدان أي بيانات إضافية في التدريب مكلفًا، فيصبح LOO خيارًا معقولًا رغم بطئه، لأنه يستخدم أقصى قدر ممكن من البيانات في كل تدريب.
مصطلحات مرتبطة
Repeated K-Fold (التحقق المتقاطع المتكرر) — بديل أكثر شيوعًا واقتصادًا حسابيًا. Stratified K-Fold (التحقق المتقاطع الطبقي) — نسخة تراعي توازن الفئات. Cross-validation (التحقق المتقاطع) — المفهوم الأشمل الذي تنتمي إليه هذه الأساليب.
المصادر: scikit-learn
