Table of Contents
کیفیت صلیب یک تکنیک است که برای ارزیابی عملکرد مدل های یادگیری نظارت شده استفاده می شود، این کمک می کند تا اطمینان حاصل شود که مدل به خوبی به داده های دیده نشده با تقسیم مجموعه داده ها به چندین زیرمجموعه برای آموزش و تست، بهبود می یابد.
درک اعتبار صلیب
انتقال صلیب شامل تقسیم مجموعه داده ها به چندین بخش یا تاشو است.این مدل در زیرمجموعه ای از این لایه ها آموزش داده می شود و در قسمت باقی مانده آزمایش می شود.این فرآیند چندین بار تکرار می شود و لایه های مختلفی که برای تست هر بار استفاده می شوند، نتایج به طور متوسط برای ارائه یک متریک عملکرد کلی استفاده می شوند.
انواع اعتباربخشی صلیب
رایج ترین انواع عبارتند از:
- اعتبار صلیب سرخ: داده ها را به قطعات برابر تقسیم می کند، آموزش در قطعات k-1 و آزمایش در قسمت باقی مانده.
- [[۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۵] [۱] [۵] [۵] [۵] [۵] [۵] [۱] [۵] [۱] [۱]]]] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۵] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۵] [۱] [۱] [۵] [۵] [۵] [۵] [۱] [
- – یک-Out (LOO): از یک نقطه داده برای تست و بقیه برای آموزش استفاده می کند، تکرار شده برای هر نقطه داده.
پیاده سازی اعتبار صلیب در عمل
اکثر کتابخانه های یادگیری ماشین، توابع داخلی را برای انتقال متقابل فراهم می کنند.برای مثال، در برنامه علمی تخیلی پایتون، عملکرد فرایند را ساده می کند.شما باید مدل، مجموعه داده ها و تعداد لایه ها را مشخص کنید.
مثال کد:
از sklearn Model s Selection import Cross val score
هسته = cross val score (مدل، X، y، cv=5)
این کد 5 برابر متقابل-validation را انجام می دهد و نمرات را برای هر یک از لایه ها باز می گرداند.