横断検証は、監視された学習モデルの性能を評価するために使用される技術です。このモデルは、トレーニングとテストのための複数のサブセットにデータセットを分割することにより、データを一時停止するためによく一般化することを確実にするのに役立ちます。クロス検証を正しく実施することで、モデル評価の信頼性を向上させることができます。

十字架検証の理解

断続的なデータセットを複数の部品に分割したり、折りたたんだりすることも含まれます。このモデルはこれらの折り目のサブセットで訓練され、残りの折り目でテストされます。このプロセスは複数の回繰り返され、各回のテストに使用する異なる折り目が使用されます。結果は、全体的なパフォーマンスメトリックを提供するために平均されます。

断面評価の種類

最も一般的なタイプには、以下が含まれます。

  • [k-Fold 十字重合:[]] 同等部にデータを分割し、k-1 部分の訓練と残りの部分のテスト。
  • [] 固定 k-Fold:[ は、各折り目がデータセット全体のクラス分布を維持することを確認します。
  • [Leave-One-Out (LOO):[]]]]は、テストとトレーニングの残りの部分の単一のデータポイントを使用して、各データポイントに繰り返します。

実践におけるクロス・バリデーションの実施

ほとんどの機械学習ライブラリは、クロスバリデーション用の組み込み関数を提供します。例えば、Pythonのscikit-learnでは、]関数はプロセスを簡素化します。モデル、データセット、および折り目数を指定する必要があります。

ニペット例コード:

sklearn.model selection import cross val score から

[]scores = クロス val score(モデル、X、y、cv=5)]

このコードは5倍のクロスバリデーションを実行し、各フォールドのスコアを返します。