Penentuan cross-validasi adalah teknik yang digunakan untuk menilai kinerja model pembelajaran yang diawasi. Ini membantu memastikan bahwa model generalisasi baik terhadap data yang tidak terlihat dengan cara memisah data menjadi subset multiple untuk pelatihan dan pengujian. Implementasi cross-validation dengan benar dapat meningkatkan keandalan evaluasi model.

Pengertian Ajari-Validasi-Candi

Varidasi-persilan codefold melibatkan pembagian dataset menjadi beberapa bagian, atau lipatan.Model dilatih pada subset lipatan ini dan diuji pada lipatan yang tersisa. Proses ini diulang berkali-kali, dengan lipatan yang berbeda digunakan untuk pengujian setiap kali. Hasilnya kemudian diratakan untuk memberikan metrik kinerja keseluruhan.

Jenis-jenis tika Silang-Validasi

Jenis yang paling umum termasuk:

  • [[CharfLT:0]]k-Fold Cross-Validation: Membagi data menjadi k bagian yang sama, berlatih pada bagian k-1 dan pengujian pada bagian yang tersisa.
  • [[GALALT:0]]Stratified k-Fold: Pastikan setiap lipatan mempertahankan distribusi kelas dari seluruh dataset.
  • [[GALAL:0]]Leave-One-Out (LOO): Menggunakan titik data tunggal untuk pengujian dan sisanya untuk pelatihan, diulang untuk setiap titik data.

Terapkan Penerjemahan Lintasan Vanidasi dalam Praktek

Kebanyakan perpustakaan pembelajaran mesin ÁngO menyediakan fungsi bawaan untuk cross-validation. Misalnya, dalam scikit-learn Python, fungsi menyederhanakan proses. Anda perlu menyatakan model, dataset, dan jumlah lipatan.

Snippet [email protected]

[[ELATOR LRT:0]]from sklearn.model select import cross val score

[[Charles:0]]scores = cross val score(model, X, y, cv=5)[

Kode ini melakukan 5-lipat cross-validation dan mengembalikan skor untuk setiap lipatan.