Η διασταυρούμενη επικύρωση είναι μια τεχνική που χρησιμοποιείται για την αξιολόγηση της απόδοσης ενός μοντέλου μάθησης μηχανών. Βοηθά στον συντονισμό παραμέτρων μοντέλου με την εκτίμηση του πόσο καλά θα εκτελέσει το μοντέλο σε αόρατα δεδομένα. Η διαδικασία περιλαμβάνει τη διαίρεση του συνόλου δεδομένων σε πολλαπλά μέρη, την εκπαίδευση του μοντέλου σε ορισμένα μέρη, και τη δοκιμή σε άλλα. Αυτό το άρθρο εξηγεί τον υπολογισμό βήμα προς βήμα του σφάλματος διασταυρούμενης επικύρωσης κατά τη διάρκεια του συντονισμού μοντέλου.

Βήμα 1: Διαχωρισμός δεδομένων

Το σύνολο δεδομένων χωρίζεται σε 'k' ίσα μέρη, που ονομάζονται πτυχώσεις. Οι κοινές επιλογές για 'k' είναι 5 ή 10. Κάθε πτυχίωση λειτουργεί ως σύνολο επικύρωσης μία φορά, ενώ οι υπόλοιπες πτυχώσεις αποτελούν το σύνολο εκπαίδευσης. Η διαδικασία αυτή εξασφαλίζει ότι κάθε σημείο δεδομένων χρησιμοποιείται τόσο για εκπαίδευση όσο και για επικύρωση.

Βήμα 2: Κατάρτιση και επικύρωση μοντέλων

Για κάθε πτυχή, το μοντέλο εκπαιδεύεται στις υπόλοιπες πτυχώσεις 'k-1'. Στη συνέχεια επικυρώνεται στην τρέχουσα πτυχή. Το σφάλμα υπολογίζεται με βάση τις προβλέψεις του μοντέλου σε σύγκριση με τις πραγματικές τιμές στην πτυχή επικύρωσης. Αυτό το βήμα επαναλαμβάνεται για όλες τις πτυχώσεις.

Βήμα 3: Υπολογισμός σφαλμάτων

Τα λάθη από κάθε πτυχή καταγράφονται. Τα κοινά μετρικά σφάλματος περιλαμβάνουν το μέσο τετραγωνικό σφάλμα (MSE) ή το μέσο απόλυτο σφάλμα (MAE). Το σφάλμα διασταυρούμενης επικύρωσης είναι ο μέσος όρος αυτών των σφαλμάτων σε όλες τις πτυχές, παρέχοντας μια εκτίμηση της απόδοσης του μοντέλου.

Βήμα 4: Τελική εκτίμηση σφάλματος

Το μέσο σφάλμα που προκύπτει από τη διαδικασία διασταυρούμενης επικύρωσης χρησιμεύει ως εκτίμηση του τρόπου με τον οποίο το μοντέλο θα εκτελέσει σε νέα, αόρατα δεδομένα. Αυτή η τιμή καθοδηγεί την επιλογή των βέλτιστων παραμέτρων μοντέλου κατά τη διάρκεια του συντονισμού.