Cross-validation היא טכניקה המשמשת ללמידה בפיקוח כדי להעריך את הביצועים של מודל.זה עוזר להעריך כמה מודל מתאים לנתונים בלתי נראים, צמצום הסיכון של התאמה יתר. יישום שיטות עבודה יעילות cross-validation חיוני לבניית מודלים אמינים של למידת מכונה.

הבנה: Cross-Validation

הגשמה כוללת חלוקת הנתונים לתוך תת-קרקעית מרובות, להכשיר את המודל על חלק מהתחכים הללו, ובדיקתו על אחרים.תהליך זה מספק הערכה מדויקת יותר של ביצועי המודל בהשוואה לפיצול יחיד של רכבת.

שיטות הצלב-ההגנה

  • (FLT:0K-Fold Cross-Validation:03) 1 מחלק את הנתונים לחלקים שווים של "k", 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.
  • (FLT:0) Leave-One-Out (LOO): ההרחבה 1 (LOO): השתמש בנקודת נתונים אחת כהגדרת המבחן, עם השאר כנתוני הדרכה.

הפרקטיקה הטובה ביותר ליישום

כדי להבטיח הגשמה יעילה, שקול את הפעולות הבאות:

  • השתמש ב- sampling stratified בעת התמודדות עם שיעורים ללא איזון.
  • בחרו את מספר התקפלות בהתבסס על גודל הנתונים; בחירות נפוצות הן 5 או 10.
  • לשלב את הסגידה חוצה עם כוונון היפר-פרפרפרפרמטר לתוצאות אופטימליות.
  • ודאו שהנתונים משתבשים לפני פיצול כדי להפחית את ההטיה.

דוגמה מעשית ב- Python

יישום cross-validation ב Python עם scikit-learn הוא פשוט.כאן דוגמה פשוטה:

שם הסרטון:0.10.10.10

from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# Load dataset
data = load_iris()
X = data.data
y = data.target

# Initialize model
model = RandomForestClassifier()

# Perform 5-fold cross-validation
scores = cross_val_score(model, X, y, cv=5)

print("Cross-validation scores:", scores)
print("Average score:", scores.mean())