Cross-validasyon, makine öğrenme modellerinin performansını değerlendirmek için kullanılan bir istatistiksel yöntemdir.Bu, bir modelin görünmez verilere nasıl iyi bir şekilde genelleştirilmesine yardımcı olur, aşırı yükleme riskini azaltır. Doğru geçiş teknikleri oluşturmak için güvenilir ve sağlam modeller için önemlidir.
Cross-Validasyon nedir?
Cross-validasyon, veri kümesini birden çok alt setlere bölmeyi, bu alt setlerin bazı modellerini eğitmeyi ve bunu başkalarına test etmeyi içerir. Bu işlem, modelin performansının tek bir trenle bölünmesiyle kıyasla daha doğru bir tahmin sağlar.
Common Cross-Validation Techniques
- [FONT:0]K-Fold Cross-Validation:[Dönetici: Verilere eşit parçalara bölünür, k-1 parçalar üzerinde eğitim ve kalan kısımlarda test eder.
- [FONT:0]Strahid K-Fold: K-Fold'a benzer ama sınıf dağıtımını her katta tutar, dengesiz veri setleri için faydalı.
- [FONT:0)Leave-One-Out Cross-Validation (LOOCV): ) Her veri noktası için tekrarlanan tek bir veri noktası kullanın.
Cross-Validation Faydaları
Pasvalidasyon kullanarak daha güvenilir bir model performansı tahmin eder, hiperparametreleri ayarlamaya yardımcı olur ve aşırı yükleme olasılığını azaltır. Modelin farklı alt dizilerde iyi performans göstermesini sağlar.