クロスバリデーションは、機械学習モデルの性能を評価するために使用される統計的方法です。それは、モデルが不利なデータに一般化し、過度のリスクを削減する方法を評価するのに役立ちます。適切な断続技術を導入することは、信頼性と堅牢なモデルの構築に不可欠です。

クロス・バリデーションとは?

断続化には、データセットを複数のサブセットに分割し、これらのサブセットの一部でモデルを訓練し、他の人にテストすることが含まれます。 このプロセスは、単一の列車テストの分割と比較して、モデルのパフォーマンスのより正確な推定を提供します。

共通の十字評価の技術

  • [K-Fold Cross-Validation:[]] データを「k」の同等部分に分割し、k-1の部分の訓練および残りの部分のテスト。このプロセスはk回を繰り返します。
  • []K-Fold:[をK-Foldと同様だが、クラス分布を各フォルダに維持し、不均衡なデータセットに有用である。
  • [Leave-One-Outの断面評価(LOOCV):]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。

十字価値のメリット

相互検証を使用して、モデルのパフォーマンスのより信頼性の高い推定を提供し、ハイパーパラメータの調整に役立ちます。また、過度の不適合の可能性を削減します。このモデルは、異なるサブセットのデータでうまく機能することを確認します。