我认为简单的交叉验证是最合适的。

AIC 和 BIC 都考虑模型复杂性和可用信息量之间的平衡。有了更多的数据，就可以学习更复杂的模型。但是，这种平衡是固定的，不是基于数据的。

交叉验证基于数据。它还平衡了模型复杂性与可用信息量。有了更多的数据，可以学习更复杂的模型。未见数据的性能量化了模型的工作情况。隐含地，过于复杂（过度拟合）的模型会因为做出错误的预测而受到惩罚。

在许多变量的情况下，可以在训练期间选择高度相关的变量。然而，在测试过程中，很明显，学习到的关系不能推广到看不见的数据。

交叉验证的另一个优点是您可以选择自己的性能测量。