Bootstrapping เป็นการทดสอบหรือตัวชี้วัดใด ๆ ที่อาศัยการสุ่มตัวอย่างด้วยการแทนที่มันเป็นวิธีการที่ช่วยในหลาย ๆ สถานการณ์เช่นการตรวจสอบความถูกต้องของแบบจำลองการทำนาย, วิธีการทั้งมวล, การประมาณค่าอคติและความแปรปรวนของพารามิเตอร์ของแบบจำลองเป็นต้น ดำเนินการสุ่มตัวอย่างด้วยการแทนที่จากชุดข้อมูลดั้งเดิมและในเวลาเดียวกันสมมติว่าจุดข้อมูลที่ไม่ได้ถูกเลือกเป็นชุดข้อมูลทดสอบ เราสามารถทำซ้ำขั้นตอนนี้หลาย ๆ ครั้งและคำนวณคะแนนเฉลี่ยเป็นการประเมินประสิทธิภาพของแบบจำลองของเรา นอกจากนี้ Bootstrapping ยังเกี่ยวข้องกับวิธีการฝึกอบรมทั้งมวลเพราะเราสามารถสร้างแบบจำลองโดยใช้ชุดข้อมูล bootstrap แต่ละชุดและ“ ถุง” โมเดลเหล่านี้เป็นชุดโดยใช้การลงคะแนนส่วนใหญ่ (สำหรับการจำแนก) หรือคำนวณค่าเฉลี่ย (สำหรับการทำนายเชิงตัวเลข) โมเดลเหล่านี้เป็นผลลัพธ์สุดท้ายของเรา
การตรวจสอบความถูกต้องไขว้เป็นกระบวนการสำหรับการตรวจสอบประสิทธิภาพของแบบจำลองและดำเนินการโดยแยกข้อมูลการฝึกอบรมออกเป็นส่วน k เราคิดว่าชิ้นส่วน k-1 เป็นชุดฝึกอบรมและใช้ส่วนอื่นคือชุดทดสอบของเรา เราสามารถทำซ้ำได้ว่า k คูณการถือครองข้อมูลที่แตกต่างกันทุกครั้ง สุดท้ายเราก็นำค่าเฉลี่ยของคะแนน k มาประเมินผลการปฏิบัติงานของเรา การตรวจสอบข้ามสามารถประสบอคติหรือความแปรปรวน การเพิ่มจำนวนของการแยกความแปรปรวนก็จะเพิ่มขึ้นเช่นกันและความเอนเอียงจะลดลง ในทางกลับกันถ้าเราลดจำนวนการแยกอคติจะเพิ่มขึ้นและความแปรปรวนจะลดลง
โดยสรุปการตรวจสอบความถูกต้องไขว้แยกชุดข้อมูลที่มีอยู่เพื่อสร้างชุดข้อมูลหลายชุดและวิธีการบูตสแตรปใช้ชุดข้อมูลดั้งเดิมเพื่อสร้างชุดข้อมูลหลายชุดหลังจากที่ทำการสุ่มใหม่พร้อมการแทนที่ การเริ่มต้นมันไม่แรงเท่าการตรวจสอบความถูกต้องแบบ Cross เมื่อใช้สำหรับการตรวจสอบความถูกต้องของแบบจำลอง Bootstrapping เป็นเรื่องเกี่ยวกับการสร้างแบบจำลองชุดหรือเพียงแค่ประมาณค่าพารามิเตอร์