Penentuan model cross-validation adalah teknik yang digunakan untuk mengevaluasi kinerja model pembelajaran mesin. Ini membantu dalam tuning model parameter dengan memperkirakan seberapa baik model akan melakukan pada data yang tidak terlihat. Proses melibatkan membagi dataset menjadi beberapa bagian, melatih model pada beberapa bagian, dan mengujinya pada bagian lain. Artikel ini menjelaskan perhitungan langkah- demi langkah dari kesalahan cross-validation selama model tuning.

Langkah 1: Pemilahan Data

Dataset dibagi menjadi 'k' bagian yang sama, disebut lipatan. Pilihan umum untuk 'k' adalah 5 atau 10. Setiap lipatan bertindak sebagai validasi yang ditetapkan sekali, sementara lipatan yang tersisa membentuk set pelatihan. Proses ini memastikan bahwa setiap titik data digunakan untuk pelatihan maupun validasi.

Langkah ke - 2: Pelatihan dan Validasi Model

Untuk setiap lipatan, model dilatih pada lipatan 'k-1' yang tersisa. Ia kemudian divalidasi pada lipatan saat ini. Kesalahan dihitung berdasarkan prediksi model dibandingkan dengan nilai sebenarnya dalam lipatan validasi. Langkah ini diulang untuk semua lipatan.

Penghitungan Galat Langkah 3: Kesulitan

Kesalahan dari setiap lipatan tercatat. metrik kesalahan umum mencakup metrik meanss kuadrate error (MSE) atau berarti absolut error (MAE). Galat lintas-validasi adalah rata-rata dari kesalahan ini di seluruh lipatan, menyediakan perkiraan kinerja model.

Langkah ke - 4: Estimasi Galat Akhir

Kesalahan rata-rata yang diperoleh dari proses cross-validation berfungsi sebagai perkiraan bagaimana model akan melakukan pada data baru yang tidak terlihat. Nilai ini memandu pemilihan parameter model optimal selama tuning.