La valutazione trasversale è una tecnica utilizzata per valutare le prestazioni dei modelli di apprendimento supervisionati, che aiuta a garantire che il modello generalizzi bene per unire i dati, dividendo il set di dati in più sottoset per la formazione e il test.

Comprensione della Valutazione Cross

La valutazione trasversale comporta la divisione dei dati in diverse parti, o pieghe. Il modello è formato su un sottoinsieme di queste pieghe e testato sulla piega rimanente. Questo processo viene ripetuto più volte, con diverse pieghe utilizzate per testare ogni volta. I risultati vengono poi mediati per fornire una metrica di prestazione generale.

Tipi di Valutazione Croce

I tipi più comuni includono:

  • k-Fold Cross-Validation:[] Divide i dati in k parti uguali, formando su parti k-1 e testando sulla parte restante.
  • Stratified k-Fold:[ Assicura ogni piega mantiene la distribuzione di classe dell'intero set di dati.
  • Leave-One-Out (LOO):[] Utilizza un singolo punto di dati per la prova e il resto per la formazione, ripetuto per ogni punto di dati.

Attuazione della Valutazione Cross-In pratica

La maggior parte delle librerie di apprendimento automatico fornisce funzioni integrate per la valutazione incrociata. Ad esempio, nella funzione di Python, la funzione [ semplifica il processo.

Esempio di codice snippet:

da sklearn.model selection import cross val score[]]

scontri = cross val score(modello, X, y, cv=5)]

Questo codice esegue la valutazione trasversale di 5 volte e restituisce i punteggi per ogni piega.