. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Apa itu Cross-Validation?

Varidasi silang antara lain melibatkan membagi dataset menjadi beberapa bagian, melatih model pada beberapa bagian, dan mengujinya pada bagian lain. Bentuk yang paling umum adalah k-fold cross-validation, di mana data dibagi menjadi bagian k sederajat. Model dilatih k kali, setiap kali meninggalkan satu bagian untuk validasi dan menggunakan bagian yang tersisa untuk pelatihan.

Jenis-jenis tika Silang-Validasi

  • [[CharlesFLT:0]]K-Fold Cross-Validation: Membagi data menjadi subset k dan melakukan pelatihan dan validasi k kali.
  • [[NOLT:0]]Stratified K-Fold:Pengaturan setiap lipatan memiliki pembagian kelas yang mewakili, berguna untuk tugas klasifikasi.
  • [[EfLAFLT:0]]Leave-One-Out (LOO): Gunakan satu titik data untuk validasi dan sisanya untuk pelatihan, diulang untuk setiap titik data.
  • [[NAFLT:0]]Repeated Cross-Validation: Ulangi k-fold berkali-kali untuk memperoleh perkiraan yang lebih dapat diandalkan.

Terapkan Penerjemahan-Silang dalam Praktek

Implementasi cross-validation melibatkan pemilihan jenis yang sesuai berdasarkan dataset dan masalah. Kebanyakan perpustakaan pembelajaran mesin, seperti scikit-learn, menyediakan fungsi built-in untuk melakukan cross-validation dengan mudah. Penting untuk mengevaluasi kinerja rata-rata di seluruh lipatan untuk mendapatkan perkiraan yang andal dari efektivitas model.

Manfaat dari Penyeberangan Vanalidasi

  • Dia menyediakan perkiraan yang lebih akurat tentang kinerja model.
  • Bantuan untuk tuning hyperparameter secara efektif.
  • Mengurangi risiko kelebihan yang diperlukan.
  • vatilisasi data secara efisien, terutama dengan dataset kecil.