Kruisvalidatie
Data in K delen splitsen — trainen op K-1 delen, valideren op het resterende deel, en dat roteren. Robuuster dan één enkele train/test-split.
Varianten: K-fold (meestal K=5 of 10), leave-one-out en gestratificeerd (houdt de klassenverdeling intact). Laat zien of een model echt generaliseert of alleen uit het hoofd leert. Standaardpraktijk in klassieke ML; minder gangbaar bij het trainen van LLM's, waar de datasets daarvoor te groot zijn.