Die Leave-One-Out Kreuzvalidierung ist ein Testverfahren zur Messung der Güte von Algorithmen und Methoden aus dem Data Mining.

Im Gegensatz zur einfachen Kreuzvalidierung, ist bei der Leave-One-Out Kreuzvalidierung (engl. leave-one-out cross validation) das k=N. Somit werden N Durchläufe gestartet und deren Einzelfehlerwerte ergeben als Mittelwert die Gesamtfehlerrate.

Nachteil dieser Methode ist, dass keine Stratifizierung der Teilmengen, wie bei der stratifizierten Kreuzvalidierung mehr möglich ist. Dadurch kann es in Extremfällen dazu kommen, dass dieses Testverfahren falsche Fehlerwerte liefert. Beispiel: Eine vollständig zufällige Datenmenge bei gleichmäßiger Verteilung und nur zwei Klassen würde zu einem LOO-CV von 100% Prozent führen. Warum? Aus N Instanzen werden zum Training N/2 Instanzen der Klasse K1 verwendet und N/2-1 Instanzen der Klasse K2. Da der Klassifikator immer die Mehrheitsklasse der Testdaten prognostiziert, liefert der Test mit der Testinstanz der Klasse K2 einen Fehler von 100%!

Ein weitere Nachteil ist der sehr hohe Rechenaufwand.

siehe auch: Kreuzvalidierungsverfahren