Ristivaltuutus on tekniikka, jota käytetään valvottujen oppimismallien suorituskyvyn arviointiin. Se auttaa varmistamaan, että malli yleistyy hyvin näkymättömään dataan jakamalla aineisto useisiin osajoukkoihin koulutusta ja testausta varten. Ristivalvonta voi parantaa mallin arvioinnin luotettavuutta.

Ristikkäisen valinnan ymmärtäminen

Cross-validointi edellyttää datan jakamista useisiin osiin tai taittuu. Malli on koulutettu osajoukko nämä taittuu ja testattu jäljellä taittuu. Tämä prosessi toistetaan useita kertoja, eri taittuu käytetään testauksessa joka kerta. Tulokset sitten keskimäärin tarjota kokonaissuoritusmittari.

Ristikkäisvalidoinnin tyypit

Yleisimpiä tyyppejä ovat:

  • k-Fold Cross-Valification: jakaa tiedot k:iin tasa-arvoisiksi osiksi, kouluttaa k-1 osia ja testaa loput osat.
  • Varmennettu k-Fold: Varmistaa, että jokainen kertaiseksien kertainen ylläpitää koko aineiston luokkajakaumaa.
  • Lähde-One-Out (LOO):[ Käyttää yhtä tietopistettä testauksessa ja muuta koulutusta varten, toistettuna kunkin tietopisteen osalta.

Ristikkäisten päätelmien täytäntöönpano käytännössä

Useimmat koneoppimiskirjastot tarjoavat sisäänrakennettuja toimintoja ristivalidointiin. Esimerkiksi Pythonin skikit-oppimisessa [-toiminto yksinkertaistaa prosessia. Sinun on määriteltävä malli, tietokokonaisuus ja taitteiden määrä.

Esimerkkikoodi snippet:

sklearn.modol valitse tuonti cross val score

]pisteet = cross val score(malli, X, y, cv=5)

Tämä koodi suorittaa 5-kertaisen ristivalidoinnin ja palauttaa pisteet kullekin kertaheitolle.