Cross-validation 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 دهد با تقسیم مجموعه داده ها به زیر مجموعه های متعدد ضروری است.این تکنیک برای جلوگیری از بیش از حد و اطمینان از استحکام مدل ضروری است.

اعتبار صلیب چیست؟

اعتبار صلیب شامل تقسیم مجموعه داده ها به چندین بخش، آموزش مدل در برخی از قطعات، و تست آن بر روی دیگران است. رایج ترین شکل است k-fold متقابل-validation، که در آن داده ها به قطعات برابر k تقسیم می شود، مدل آموزش دیده است، هر بار که یک بخش برای اعتبار و استفاده از قطعات باقی مانده برای آموزش.

انواع اعتباربخشی صلیب

  • اعتبار صلیب سرخ: داده ها را به زیرمجموعه های k تقسیم می کند و آموزش و اعتبار k بار انجام می دهد.
  • اطمینان حاصل می کند که هر یک از آنها توزیع نمایندگی از کلاس ها، مفید برای وظایف طبقه بندی است.
  • – یک-Out (LOO): از یک نقطه داده برای اعتبار و بقیه برای آموزش استفاده می کند، تکرار شده برای هر نقطه داده.
  • تأیید اعتبار صلیب: چندین بار تکرار می کند تا برآورد های قابل اعتمادتری به دست آورد.

درخواست اعتبار صلیب در عمل

پیاده سازی متقابل-validation شامل انتخاب نوع مناسب بر اساس مجموعه داده ها و مشکل است. اکثر کتابخانه های یادگیری ماشین، مانند Scikit-learn، ارائه توابع داخلی برای انجام آسان انتقال متقابل بسیار مهم است برای ارزیابی عملکرد متوسط در سراسر همه لایه ها برای به دست آوردن برآورد قابل اعتماد از اثربخشی مدل.

مزایای اعتبار صلیب

  • برآورد دقیق تر از عملکرد مدل را ارائه می دهد.
  • کمک به تنظیم هیپرپارمتر به طور موثر.
  • کاهش خطر بیش از حد
  • از داده ها به طور موثر استفاده می کند، به ویژه با مجموعه داده های کوچک.