עבודת צלב היא טכניקה המשמשת כדי להעריך את הביצועים של מודלים למידה בפיקוח.זה עוזר להבטיח כי המודל מסדיר היטב נתונים בלתי נראים על ידי חלוקת הנתונים לתוך תת-תחומים מרובים עבור הכשרה ובדיקה. יישום תיקון הצלב כראוי יכול לשפר את האמינות של הערכת המודל.

הבנה: Cross-Validation

ההגשמה של הצלב כוללת חלוקת הנתונים למספר חלקים, או לקפלים.המודל מאומנים על תת-קבוצה של קפלים אלה ונבדק על התקפל הנותרים.תהליך הזה חוזר על עצמו פעמים רבות, עם קפקאות שונות המשמשות לבדיקה בכל פעם.התוצאות צפויות לספק מדד ביצועים כללי.

סוגי Cross-Validation

הסוגים הנפוצים ביותר כוללים:

  • (ב) התפלגות:0) ,k-Fold Cross-Validation:cioFLT ( 1 חלוקת נתונים לחלקים שווים, הכשרה על חלקים k-1 ובדיקה על החלק השני.
  • (ב) ,0) ,החזקה את ה-K-Fold:FreaLT:1, מבטיחה שכל קפל מחזיק בחלוקת המעמדות של כל הנתונים.
  • (הופנה מהדף OUT-One-Out (LOO): ההרחבה 1 (LOO): השתמש בנקודת נתונים אחת לבדיקה והיתר לאימון, חוזר על עצמו לכל נקודת נתונים.

יישום צלב-Validation in Practice

רוב ספריות למידת המכונה מספקות פונקציות בנויות עבור cross-validation.לדוגמה, ב- Python's scikit-learn, הפונקציה FLT:0 מפשטת את התהליך.You צריך לציין את המודל, את תחילת הנתונים ואת מספר התקפלים.

דוגמה ל-code snippet:

(ב) ◄ מ-sklearn.מודל s-בחירת ייבוא חוצה את הגבול val scoreFOVA

(ב) ,0) scores=צלב val score (מודל, X, y, cv=5)

קוד זה מבצע פי 5 צלב-validation מחזיר את הציונים לכל קפל.