אימות צולב (Cross-Validation) הוא שיטה סטטיסטית חזקה המשמשת למידת מכונה וניתוח נתונים כדי להעריך את הביצועים של מודלים חזויים. המטרה העיקרית של אימות צולב היא למנוע התאמת יתר, להבטיח שמודל מכליל היטב נתונים בלתי נראים. התהליך כולל חלוקת מערך הנתונים המקורי למספר קבוצות משנה. המודל מאומן על שילוב של תת-קבוצות אלו ולאחר מכן נבדק על תת-הקבוצה הנותרת. מחזור מבחן הרכבת הזה חוזר על עצמו מספר פעמים, כשהוא מסובב את תת-קבוצת הבדיקות בכל פעם, מה שמאפשר לכל נקודת נתונים הזדמנות להיות גם במערכות ההדרכה וגם בבדיקות.
צורה פופולרית אחת של אימות צולב היא אימות צולב כפול קפל. בשיטה זו, מערך הנתונים מחולק לקבוצות משנה של 'k' או ל"קפלים". הדגם מאומן על קפלי k-1 ונבדק על הקיפול הנותר. תהליך זה נמשך ק' פעמים, כאשר כל קיפול משמש כמבחן שנקבע פעם אחת בדיוק. בסוף ה-k iterations, מדדי הביצועים מכל קפל מוערכים בממוצע כדי לייצר מדד יחיד וחזק יותר. על ידי מינוף אימות צולב, חוקרים ומדעני נתונים יכולים לקבל תובנה מקיפה יותר לגבי יכולות הניבוי של המודל ולהבטיח שהמודל מתפקד היטב בדגימות נתונים שונות.
