คือเทคนิคการแบ่งชุดข้อมูล (Data Splitting) สำหรับทำ Cross-Validation โดยคำนึงถึง สัดส่วนของคลาสเป้าหมาย (Class Distribution) เป็นสำคัญ เพื่อให้ทุก Fold มีสัดส่วนของแต่ละคลาสใกล้เคียงกับชุดข้อมูลจริงทั้งหมด
ใน K-Fold ทั่วไป ข้อมูลจะถูกสุ่มแบ่งเป็น $K$ ส่วนเท่าๆ กันแบบสุ่ม (Random) ซึ่งอาจทำให้บาง Fold มีสัดส่วนของคลาสใดคลาสหนึ่งมากหรือน้อยเกินไป (หรือในกรณีข้อมูลไม่สมดุล - Imbalanced Data บาง Fold อาจไม่มีคลาสที่เป็นกลุ่มน้อยเลย)
Stratified $K$-Fold จะแก้ไขปัญหานี้โดยบังคับให้แต่ละ Fold มีสัดส่วนของแต่ละคลาส (เช่น คลาส 0 และคลาส 1) เท่ากับหรือใกล้เคียงกับสัดส่วนใน Dataset ทั้งหมด มากที่สุด
