کیفیت صلیب یک تکنیک است که برای ارزیابی عملکرد یک مدل یادگیری ماشین استفاده می شود.این به تنظیم پارامترهای مدل با برآورد اینکه چگونه مدل بر روی داده های ناشناخته عملکرد خوبی دارد، کمک می کند.این فرایند شامل تقسیم داده ها به قطعات متعدد، آموزش مدل در برخی از قطعات، و آزمایش آن بر روی دیگران است.

مرحله 1: Data Partitioning

مجموعه داده ها به قطعات برابر با "k" تقسیم می شوند، به نام تاشو، انتخاب های مشترک برای "k" 5 یا 10 است. هر یک به عنوان یک مجموعه اعتبار عمل می کند، در حالی که لایه های باقی مانده مجموعه آموزش را تشکیل می دهند، این فرآیند تضمین می کند که هر نقطه داده برای هر دو آموزش و اعتبار استفاده می شود.

مرحله دوم: آموزش مدل و اعتبار

برای هر یک از این لایه ها، مدل بر روی لایه های "k-1" باقی مانده آموزش داده می شود، سپس بر اساس لایه فعلی اعتبار داده می شود.این خطا بر اساس پیش بینی های مدل در مقایسه با ارزش های واقعی در بخش اعتبار سنجی محاسبه می شود.

مرحله 3: خطای محاسبه

خطاهای هر یک از این دسته ها ثبت شده است.معیارهای خطای رایج شامل خطای مربعی (MSE) یا خطای مطلق (MAE) است که میانگین این خطاهای در تمام سطوح است و برآورد عملکرد مدل را ارائه می دهد.

مرحله 4: برآورد خطای نهایی

خطای متوسط به دست آمده از فرآیند تساوی به عنوان برآورد چگونگی عملکرد مدل بر روی داده های جدید و ناشناخته عمل می کند.این ارزش انتخاب پارامترهای مدل بهینه را در طول تنظیم هدایت می کند.