فالتعابر للطبيعة هي تقنية تستخدم لتقييم أداء نماذج التعلم الخاضعة للمراقبة، وهي تساعد على ضمان تعميم النموذج بشكل جيد على البيانات غير المرئية عن طريق تقسيم مجموعة البيانات إلى مجموعات دعم متعددة للتدريب والاختبار، ويمكن أن يؤدي تنفيذ عملية التكافل بشكل صحيح إلى تحسين موثوقية التقييم النموذجي.

فهم الخلاصات

ويشمل التكتم عبر الحدود تقسيم البيانات إلى عدة أجزاء أو عدة طيور، ويُدرَّب النموذج على مجموعة فرعية من هذه الطوابير ويُختبر على الطيف المتبقي، وهذه العملية متكررة مرات متعددة، مع استخدام عدة طيور مختلفة للاختبار في كل مرة، ثم تُحدَّد النتائج لتوفير قياس أداء شامل.

أنواع الركود عبر الحدود

وتشمل الأنواع الأكثر شيوعا ما يلي:

  • k-Fold Cross-Validation:] Divides data into k equal parts, training on k-1 parts and testing on the remaining part.
  • Stratified k-Fold:] Ensures each fold maintains the class distribution of the entire dataset.
  • Leave-One-Out (LOO):] Uses a single data point for testing and the rest for training, repeated for each data point.

تنفيذ مبدأ تبادل المعلومات في الممارسة العملية

معظم مكتبات التعلم الآلي توفر وظائف مبنية في التقاطع، على سبيل المثال، في تعلم (بيتون) السائل،

قنبل شفرةِ مُكْرِفِ:

from sklearn.model selection import cross val score]

scores = cross val score (model, X, y, cv=5)]

هذا الرمز يؤدي 5 أضعاف التحلل ويعيد الحسابات لكل طرة