Cross-validasyon, denetimli öğrenme modellerinin performansını değerlendirmek için kullanılan bir tekniktir. Modelin veri kümesini eğitim ve test için birden çok alt setlere ayırarak algılamasını sağlar.Vi-validation doğru şekilde modelleme modeli değerlendirme güvenilirliğini artırabilir.

Cross-Validation

Cross-validasyon, veri kümesini birkaç parçaya bölmeyi veya katlamayı içerir. Model, bu katların alt setinde eğitilmiştir ve kalan katta test edilir.Bu işlem her seferinde test için kullanılan farklı katlarla tekrarlanır. Sonuçlar daha sonra genel bir performans ölçümünü sağlamak için ortalamalanır.

Cross-Validation Türleri

En yaygın türleri şunlardır:

  • [FONT:0]k-Fold Cross-Validation:[Dönetici: Verilere eşit parçalara bölünür, k-1 parçalar üzerinde eğitim ve kalan kısımlarda test.
  • [FONT:0]Strahid k-Fold: Her kat tüm veri kümesinin sınıf dağılımını korur.
  • [FONT:0)Leave-One-Out (LO):[[Dön 1: 1) Test için tek bir veri noktası kullanın ve eğitim için geri kalan her veri noktası için tekrarlanır.

Uygulamada Cross-Validation in Practice

Çoğu makine öğrenme kütüphanesi, çapraz-validasyon için yerleşik işlevleri sağlar. Örneğin, Python'un scikit- learning, theETHFLT:0) işlevi süreci basitleştirir. Model, veri kümesi ve katlama sayısını belirtmeniz gerekir.

Örnek kod parçaları:

[FONT=0) sklearn.model selection import cross val dice).

[FONT=0][değiştir | kaynağı değiştir] = x, x, x, x, cv=5)).

Bu kod 5 kat çapraz-validasyon gerçekleştirir ve her kat için puanları döndürür.