Cross-validation ay isang pamamaraan na ginagamit upang suriin ang pagganap ng isang modelo ng pagkatuto ng makina. Nakatutulong ito sa pag-aayos ng mga model parameter sa pamamagitan ng pag-eestima kung gaano kahusay ang pag-aaasal ng modelo sa hindi nakikitang datos. Ang proseso ay kinasasangkutan ng paghahati ng dataset sa maraming bahagi, pagsasanay ng modelo sa ilang bahagi, at pagsubok nito sa iba. Ang artikulong ito ay nagpapaliwanag ng hakbang-by-pa-pa-pa-pa-pa-pa-pasa na kalkulasyon ng cross-validation error sa panahon ng model.
Hakbang 1: Nagreresulta ang Data
Ang dataset ay nahahati sa 'k' na pantay na mga bahagi, na tinatawag na mga tiklop. ang mga karaniwang pagpipilian para sa 'k' ay 5 o 10. Ang bawat follow ay gumaganap bilang isang configuration set nang isang beses, habang ang natitirang mga fold ay bumubuo sa set ng pagsasanay. Ang prosesong ito ay tumitiyak na ang bawat punto ng datos ay ginagamit para sa parehong pagsasanay at ekwasyon.
Hakbang 2: Modelong Pagsasanay at Ebanghelidad
Para sa bawat fold, ang modelo ay sinasanay sa mga natitirang 'k-1' folds. Ito ay pagkatapos ay binibigyang bisa sa kasalukuyang fold. Ang pagkakamali ay kinakalkula batay sa mga prediksiyon ng modelo kumpara sa mga aktuwal na halaga sa harmonyang standing. Ang hakbang na ito ay inuulit para sa lahat ng mga fold.
Hakbang 3: Maling Pagkalkula
Ang mga pagkakamali mula sa bawat fold ay nakatala. ang karaniwang error metrics ay kinabibilangan ng method squared error (MSE) o nangangahulugang absolute error (MAE). Ang cross-validation error ay ang average ng mga pagkakamaling ito sa lahat ng mga fold, na nagbibigay ng isang pagtatantiya ng pagganap ng modelo.
Hakbang 4: Huling Paghina ng Pagkakamali
Ang karaniwang pagkakamali na nakukuha mula sa proseso ng cross-validation ay nagsisilbing isang pagtatantiya kung paano isasagawa ng modelo ang bago at di-nakikitang datos.Ang halagang ito ang gumagabay sa pagpili ng mga pinakamahusay na modelong parameter sa panahon ng pag-aayos.