In diesem Artikel wird eine vor kurzem erschienene Veröffentlichung zusammen gefasst. Es wird beschrieben, wie unterschiedliche Fehlerarten von Modellen aus dem maschinellen Lernen durch Kreuzvalidierungsverfahrens angenähert werden können. Danach wird eine neue Methode der verschachtelten Kreuzvalidierung vorgestellt, die sich besser als Standardmethoden für eine Einschätzung von tatsächlich in der Praxis relevanten Fehlerwerten eignet.
