Cross-validasyon, bir makine öğrenme modelinin performansını değerlendirmek için kullanılan bir tekniktir. Model ayarlandığında model parametreleri ayarlayarak, veri kümesini birkaç parçaya bölerek, modeli bazı parçalarda test eder ve test eder.Bu makale model ayarlandığında çapraz-validasyon hatasının adım hesaplanmasını açıklar.

Adım 1: Data Partitioning

Veri seti, "k" eşit parçalara bölünmüştür, katlar olarak adlandırılır. 'k' için Ortak seçimler 5 veya 10. Her kat bir kez geçerli bir işlem olarak hareket eder, kalan katlar eğitim seti oluştururken. Bu işlem her veri noktasının hem eğitim hem de geçerlilik için kullanıldığını sağlar.

2. Adım: Model Eğitimi ve Geçerlilik

Her kat için, model kalan ‘k-1’ katlarında eğitilmiştir. Daha sonra mevcut katta doğrulanır. Hata, modelin gerçek değerlere kıyasla geçerli olan tahminlere göre hesaplanır.Bu adım tüm katlar için tekrarlanır.

Adım 3: Hata Hesaplama

Her kattan gelen hatalar kaydedilir. Common error metrics include mean squared error (MSE) or mean mutlak hata (MAE) Bu hataların tüm katlamalarda ortalamalarıdır, modelin performansını tahmin edin.

Adım 4: Final Hatası Estimation

Geç giriş sürecinde elde edilen ortalama hata, modelin yeni, görünmeyen veriler üzerinde nasıl performans göstereceği konusunda bir tahmin olarak hizmet eder. Bu değer ayar sırasında optimal model parametrelerin seçimine rehberlik eder.