Cross-validasyon, makine öğrenme modellerinin performansını değerlendirmek için kullanılan bir istatistiksel yöntemdir. Bu, görünmeyen verilere model genelleştirmenin nasıl iyi bir model olduğunu değerlendirmede yardımcı olur. Proper design and hesaplama güvenilir sonuçlar elde etmek ve aşırı yükleme veya bakım yapmaktan kaçınmak için gereklidir.
Cross-Validation Temel Prensipleri
Cross-validation, verileri alt kümelere bölmeyi, bazı alt kümelere modellemeyi ve bunu diğerlerinde test etmeyi içerir. Bu işlem, modelin yeni veriler üzerinde bir tahmin sağlar. En yaygın yöntem, k-katlı geçiştir, verilerin aynı parçalara bölünmüş olmasıdır.
Tasarım
Doğru parametreleri seçmek önemlidir.Dörtücük ve değişkenliği etkiler. Daha yüksek bir k önyargı azaltır ancak hesaplama süresini artırır. Tipik olarak, k, 5 veya 10'a dengeli sonuçlar için ayarlanmıştır.Ensuring verileri, veri siparişi nedeniyle önyargıyı bozmadan önce rastgele parlanır.
Güvenilir Sonuçlar için Hesaplamalar
Tüm katlarda ortalama performans ölçümleri hesaplamak genel bir tahmin sağlar. Ek olarak, standart sapma modelinin performansının değişkenliğine ilişkin öngörü sunar.Bu, modelin istikrarına yardımcı olur.
- Veriler eşit parçalara bölünerek
- K-1 parçaları üzerinde tren, kalan kısımda test
- Tüm k parçalar için tekrar
- Hesaplamak, performans ölçümlerinin standart sapması anlamına gelir ve standart sapması anlamına gelir