การข้ามผ่านระบบการข้ามผ่าน คือเทคนิคที่ใช้ในการเรียนรู้การกํากับดูแล เพื่อประเมินประสิทธิภาพของแบบจําลอง มันช่วยในการประเมินว่าแบบจําลองทั่วไปนั้น

การแก้ไขภาพไขว้

การข้ามเส้นเวลานั้นเกี่ยวกับการจัดองค์ประกอบข้อมูลเป็นสับเซตหลาย ๆ อัน ฝึกกับแบบจําลองบนสับเซตบางอัน และทดสอบกับตัวอื่น ๆ กระบวนการนี้จะให้การประเมินประสิทธิภาพของแบบจําลองที่ถูกต้องมากขึ้น เมื่อเทียบกับการแบ่งตัวแบบเดี่ยว

เทคนิกข้ามเส้นผ่าน

  • [FLT: 0] K-Fold ครอส-วาลิเดชัน:[FLT: 1) แบ่งข้อมูลเป็น 'k' ส่วนเท่ากับ, ฝึกเมื่อ k-1 และทดสอบกับส่วนที่เหลือ โพรเซสนี้ซ้ํา k ครั้ง
  • [FLT: 0]. transferized K-Fold:[[FLT: 1) คล้ายกับ K-Fold แต่ยังคงการจัดจําหน่ายแบบหลายแบบทั่วการพับ, ใช้สําหรับข้อมูลไม่สมดุล
  • [FLT: 0] ถอนตัว 1 คน (LOO):[FLT: 1) ใช้ข้อมูลเดียวเป็นชุดทดสอบ โดยที่เหลือเป็นข้อมูลการฝึก เหมาะกับชุดข้อมูลขนาดเล็ก

กิจ ปฏิบัติ ที่ ดี ที่ สุด สําหรับ การ ขาด ความ อิ่ม ใจ

เพื่อตรวจสอบการข้ามผ่านอย่างมีประสิทธิภาพ พิจารณาการปฏิบัติต่อไปนี้:

  • ใช้ตัวอย่างที่ถูกทําให้สมบูรณ์ เมื่อต้องรับมือกับคลาสที่ไม่สมดุล
  • เลือกจํานวนการพับตามขนาดข้อมูล; ตัวเลือกทั่วไปคือ 5 หรือ 10
  • การแยกการข้ามผ่านด้วยจังหวะไฮเปอร์พารามิเตอร์ สําหรับผลลัพธ์ที่เหมาะสม
  • ทําให้แน่ใจว่าข้อมูลจะลดความลําเอียงลงก่อน

ตัว อย่าง ที่ ใช้ ได้ จริง ใน ภาษา ไพ โอ เนียร์

ประมวลผลการไล่ระดับสีใน Python ด้วย Sciet-chool-ched ตรงไปตรงมา นี่คือตัวอย่างง่ายๆ:

[FLT: 0] Code genpeet :

from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# Load dataset
data = load_iris()
X = data.data
y = data.target

# Initialize model
model = RandomForestClassifier()

# Perform 5-fold cross-validation
scores = cross_val_score(model, X, y, cv=5)

print("Cross-validation scores:", scores)
print("Average score:", scores.mean())