बूटस्ट्रैपिंग कोई भी परीक्षण या मीट्रिक है, जो प्रतिस्थापन के साथ यादृच्छिक नमूने पर निर्भर करता है। यह एक ऐसी विधि है जो कई स्थितियों में मदद करता है जैसे कि एक भविष्य कहनेवाला मॉडल के प्रदर्शन की पुष्टि, तरीकों को इकट्ठा करना, एक मॉडल के पैरामीटर के पूर्वाग्रह और विचरण का अनुमान आदि द्वारा यह काम करता है। मूल डेटासेट से प्रतिस्थापन के साथ नमूना प्रदर्शन करना, और एक ही समय में यह मानते हुए कि डेटा पॉइंट जो चॉप नहीं किए गए हैं, टेस्ट डेटासेट हैं। हम इस प्रक्रिया को कई बार दोहरा सकते हैं और हमारे मॉडल के प्रदर्शन के आकलन के रूप में औसत स्कोर की गणना कर सकते हैं। इसके अलावा, बूटस्ट्रैपिंग पहनावा प्रशिक्षण विधियों से संबंधित है, क्योंकि हम प्रत्येक बूटस्ट्रैप डेटासेट का उपयोग करके एक मॉडल का निर्माण कर सकते हैं और इन मॉडलों को बहुमत वोटिंग (वर्गीकरण के लिए) का उपयोग करते हुए या सभी के लिए औसत (संख्यात्मक कार्यों के लिए) कंप्यूटिंग का उपयोग कर सकते हैं हमारे अंतिम परिणाम के रूप में ये मॉडल।
क्रॉस सत्यापन मॉडल के प्रदर्शन को मान्य करने के लिए एक प्रक्रिया है, और यह प्रशिक्षण डेटा को k भागों में विभाजित करके किया जाता है। हम मानते हैं कि k-1 भाग प्रशिक्षण सेट है और दूसरे भाग का उपयोग हमारा परीक्षण सेट है। हम हर बार डेटा के एक अलग हिस्से को अलग-अलग रखने के लिए उस k समय को दोहरा सकते हैं। अंत में, हम अपने प्रदर्शन अनुमान के रूप में k स्कोर का औसत लेते हैं। क्रॉस सत्यापन पूर्वाग्रह या विचरण से पीड़ित हो सकता है। विभाजन की संख्या बढ़ने से विचरण भी बढ़ेगा और पूर्वाग्रह घटेंगे। दूसरी ओर, यदि हम विभाजन की संख्या कम करते हैं, तो पूर्वाग्रह बढ़ जाएगा और विचरण कम हो जाएगा।
सारांश में, क्रॉस सत्यापन कई डेटासेट बनाने के लिए उपलब्ध डेटासेट को विभाजित करता है, और बूटस्ट्रैपिंग विधि प्रतिस्थापन के साथ फिर से शुरू करने के बाद कई डेटासेट बनाने के लिए मूल डेटासेट का उपयोग करता है। बूटस्ट्रैपिंग यह क्रॉस सत्यापन के रूप में मजबूत नहीं है जब इसका उपयोग मॉडल सत्यापन के लिए किया जाता है। बूटस्ट्रैपिंग एन्सेम्बल मॉडल के निर्माण या सिर्फ मापदंडों का आकलन करने के बारे में अधिक है।