Cross-validasyon, makine öğrenme modellerinin performansını değerlendirmek için kullanılan bir istatistiksel yöntemdir. Veri kümesini birden çok alt setlere bölmek için modellemeye ve modellemeye yardımcı olur.
Cross-Validasyon nedir?
Cross-validasyon, veri kümesini birkaç parçaya bölmeyi, bazı parçalardaki modeli eğitir ve bunu diğerlerinde test eder.En yaygın form, verilerin k eşit parçalara bölünmesini içerir. Model, geçerlilik için bir parçadan ayrılır ve eğitim için kalan parçaları kullanır.
Cross-Validation Türleri
- [FO-Fold Cross-Validation:) Veriler alt kümelere bölünür ve eğitim ve geçerlilik k kez gerçekleştirir.
- [FONT:0]Strahid K-Fold: Her katta sınıfların temsilcisinin dağıtımını sağlamak, sınıflandırma görevleri için faydalı.
- [FONT:0)Leave-One-Out (LO):[[Dönetici: 1) Geçerlilik için bir veri noktası kullanın ve eğitim için geri kalan her veri noktası için tekrarlanır.
- [FONT:0)Repeated Cross-Validation:) Daha güvenilir tahminler elde etmek için çok fazla kez tekrarlanır.
Uygulamada Cross-Validation in Practice
Pas-validasyonu, modelin etkinliğinin güvenilir bir tahminine dayanarak uygun tip seçmeyi içerir. Çoğu makine öğrenme kütüphanesi, scikit- learning gibi, çapraz-validasyonu kolayca gerçekleştirmek için yerleşik işlevleri sağlar. Tüm katlamaların üzerindeki ortalama performansın modelin etkinliğini değerlendirmek önemlidir.
Cross-Validation Faydaları
- Model performansının daha doğru bir tahminini sağlar.
- Hiperparametreleri etkin bir şekilde ayarlamaya yardımcı olur.
- Aşırılık riskini azaltır.
- Verileri verimli bir şekilde kullanın, özellikle küçük veri setleriyle.