Calcolo passo-passo dell'errore di valutazione trasversale nella Tuning del modello

La valutazione incrociata è una tecnica utilizzata per valutare le prestazioni di un modello di apprendimento automatico. Aiuta a sintonizzare i parametri del modello valutando come bene il modello si esibirà sui dati invisibili. Il processo prevede la divisione dei dati in più parti, la formazione del modello su alcune parti, e la verifica su altri. Questo articolo spiega il calcolo passo-passo dell'errore di cross-validation durante la messa a punto del modello.

Passo 1: Partizione dei dati

Le scelte comuni per 'k' sono 5 o 10. Ogni piega funge da set di validazione una volta, mentre le pieghe rimanenti formano il set di formazione. Questo processo assicura che ogni punto di dati sia utilizzato per la formazione e la validazione.

Fase 2: Formazione e convalida del modello

Per ogni piega, il modello viene formato sulle pieghe rimanenti "k-1" e viene poi convalidato sulla piega corrente. L'errore viene calcolato in base alle previsioni del modello rispetto ai valori effettivi nella piega di convalida.

Passo 3: Calcolo degli errori

Le metriche di errore comuni includono errore quadratico medio (MSE) o errore assoluto medio (MAE). L'errore di valutazione trasversale è la media di questi errori in tutte le pieghe, fornendo una stima delle prestazioni del modello.

Passo 4: Valutazione finale degli errori

L'errore medio ottenuto dal processo di cross-validation serve come stima di come il modello si esibirà su nuovi dati invisibili, e questo valore guida la selezione dei parametri ottimali del modello durante l'ottimizzazione.