Elegir hiperparámetros consume pruebas de validación. Informar de la mejor puntuación de selección como estimación final del rendimiento ignora esa elección adicional. La validación anidada repite el proceso de selección completo dentro de cada partición externa de entrenamiento y lo evalúa con el conjunto reservado externo. Calcularás pérdidas externas, las compararás con las puntuaciones internas e informarás de la dispersión entre particiones con sus limitaciones. Tres particiones no dan un intervalo de confianza, sobre todo cuando sus modelos ajustados comparten observaciones de entrenamiento. El presupuesto de la prueba final también importa: revisarla una y otra vez puede influir en decisiones posteriores. Lleva un registro de qué partición aportó cada estimación para que otra persona entienda las pruebas que hay detrás de la elección de un modelo.
La validación anidada evalúa la selección con filas externas que no eligieron el hiperparámetro interno.