La validation croisée (CV) est une procédure de rééchantillonnage qui fournit une estimation ponctuelle de l'erreur de prédiction. L'incertitude de cette estimation est difficile à quantifier et nécessite plusieurs exécutions de l'ensemble de la procédure CV, ce qui entraîne des coûts de calcul importants. La validation croisée imbriquée (NCV) (Bates et coll., 2024) résout ce problème en fournissant un intervalle de prédiction. Cependant, le calcul de cet intervalle peut s'avérer irréalisable, car il nécessite d'exécuter la procédure CV et de réajuster le modèle d'innombrables fois. Dans le cadre de la régression pénalisée, nous proposons un moyen rapide et efficace de calculer l'intervalle de prédiction à l'aide d'un seul ajustement du modèle. Notre méthode est la plus performante lorsque le nombre de plis est proportionnel à la taille de l'échantillon. Nous évaluons la NCV sur les paramètres de réglage des modèles de régression des signaux, en comparant les résultats avec la vraisemblance maximale restreinte. Il s'agit d'un travail conjoint avec le professeur Alex Stringer.