Cross-validation היא שיטה סטטיסטית המשמשת להערכת הביצועים של דגמי למידת מכונה.זה עוזר להעריך כמה מודל מתאים לנתונים לא נראים, צמצום הסיכון של התאמה יתר.

הבנה: Cross-Validation

הסגידה של הצלב כוללת חלוקת הנתונים לתחומים מרובים.המודל מאומנים על כמה תת-קרקעיים ונבדקים על אחרים.תהליך זה חוזר מספר פעמים על מנת להבטיח שהביצועים של המודל עולים בקנה אחד עם פיצולים שונים של נתונים.

שיטות הצלב-ההגנה

טכניקות רבות משמשות לביצוע סיכות צלב, כל אחת מתאימה לתרחישים שונים:

  • (FLT:0K-Fold Cross-Validation:cioFLT) 1 מחלק נתונים לחלקים שווים, אימון על חלקים K-1 ובדיקה על הנותרים.
  • (ב) ,0) ,Fold: K-Fold:FreaLT:1 , בדומה ל-K-Fold אך מקיים הפצה של מעמד על פני קפלים, שימושית עבור נתונים לא-מסוגים.
  • (הופנה מהדף OUT-One-Out (LOO): ההרחבה 1 (LOO): השתמש בנקודת נתונים אחת לבדיקה והיתר לאימון, חוזר על עצמו לכל נקודת נתונים.

הפרקטיקה הטובה ביותר ליישום

כדי למקסם את היתרונות של cross-validation, לשקול את הפעולות הטובות ביותר הבאות:

  • בחר ערך מתאים של "k" בהתבסס על גודל הנתונים.
  • ודאו שהנתונים משתבשים לפני פיצול כדי להפחית את ההטיה.
  • השתמש בשיטות מרשימות לבעיות סיווג עם שיעורים לא מאוזנים.
  • לשלב את הסגידה חוצה עם כוונון היפר-פרפרפרפרמטר לתוצאות אופטימליות.