Cross-validasyon, makine öğrenme modellerinin performansını değerlendirmek için kullanılan bir istatistiksel yöntemdir. Bağımsız bir veri kümesine model genellemenin nasıl iyi bir şekilde genelleştirilmesine yardımcı olur. Proper uygulama of cross-validation, güvenilir model değerlendirme ve seçim sağlar.
Cross-Validation
Cross-validasyon, verileri alt kümelere bölmeyi, bu alt setlerden bazılarını eğitim etmeyi ve bunu diğerlerinde test etmeyi içerir. Bu işlem ortalama performans ölçümünü elde etmek için çok kez tekrarlanır.En yaygın yöntem, k-fold geçiştir.
Cross-Validation'da Hesaplamalar
K-fold çapraz-validasyonda, aşağıdaki adımlar yapılır:
- Veri kümesini eşit parçalara böl.
- Her iterasyon için, test seti olarak bir bölüm seçin ve eğitim seti olarak kalan k-1 parçaları seçin.
- Eğitim setinde modeli eğitin ve test setinde değerlendirin.
- Performans ölçümünü kaydetmek veya meydan okuma gibi kaydetmek.
- Tüm parçalar test seti olarak kullanılmış olana kadar tekrar.
Genel performans, her iterasyonda elde edilen ölçümlerin bir şekilde hesaplanmasıyla hesaplanır. Bu, modelin etkinliğinin daha sağlam bir tahminini sağlar.
Cross-Validation için en iyi uygulamalar
Doğru değerlendirme sağlamak için, bu en iyi uygulamaları göz önünde bulundurun:
- 5 veya 10 gibi, veri kümesi boyutuna bağlı olarak uygun bir değer seçin.
- önyargıyı önlemek için bölmeden önce veri silmeyi sağlayın.
- Sınıf dağıtımını korumak için dengesiz veri setleri için stratejilenmiş haçlı geçiş kullanın.
- En iyi sonuçlar için hiperparametre ayar ile çapraz-validasyon.
- Eğitim ve test setleri arasında bilgi sızıntısını önlemek için veri sızıntılarından dikkatli olun.