کیفیت صلیب یک روش آماری است که برای ارزیابی عملکرد مدل های یادگیری ماشین استفاده می شود.این به ارزیابی اینکه چگونه یک مدل به داده های ناشناخته تعمیم می یابد، کمک می کند، کاهش خطر استفاده از تکنیک های مناسب برای ساخت مدل های قابل اعتماد و قوی ضروری است.

اعتبار صلیب چیست؟

انتقال صلیب شامل تقسیم مجموعه داده ها به زیرمجموعه های متعدد، آموزش مدل در برخی از این زیرمجموعه ها و تست آن بر روی دیگران است.این فرآیند برآورد دقیق تر از عملکرد مدل در مقایسه با یک تقسیم آزمایشی تک قطار را فراهم می کند.

تکنیک های معتبر صلیب

  • اعتبار صلیب سرخ: داده ها را به قطعات برابر "k" تقسیم می کند، آموزش در قطعات k-1 و آزمایش در قسمت باقی مانده.
  • K-Fratified K-Fother: [FLT 1] شبیه K-Fold اما توزیع کلاس در هر یک از بخش های داده ای را حفظ می کند.
  • اعتبار یک-خارج از صلیب (LOOCV): از یک نقطه داده برای تست و بقیه برای آموزش استفاده می کند، تکرار شده برای هر نقطه داده.

مزایای اعتبار صلیب

استفاده از کیفیت متقابل برآورد قابل اعتمادتری از عملکرد مدل را فراهم می کند، به تنظیم هیپرپارمتر کمک می کند و احتمال بیش از حد را کاهش می دهد.این تضمین می کند که مدل به خوبی در میان زیر مجموعه های مختلف داده ها عمل می کند.