Cross-validation - це техніка, яка використовується для оцінки продуктивності моделі машинного навчання. Вона допомагає в параметрах моделі, що виконуються на невидимих даних. Процес передбачає поділ даних на кілька частин, підготовку моделі на деяких частинах, а також тестування на інші. Ця стаття пояснює покроковий розрахунок помилки крос-облідації при налаштуванні моделі.

Крок 1: розділення даних

Ці дані поділяють на рівні частини, які називаються складками. Загальні вибірки для 'k' - 5 або 10. Кожна складка діє як дієвість, що встановлюється один раз, в той час як інші складки утворюють навчальні установки. Цей процес гарантує, що кожен пункт даних використовується для обох тренувань і перевірки.

Крок 2: Навчання моделі та перевірка

Для кожного складання модель проходить навчання на решті 'k-1' складок. Потім він діє на поточному складі. Похибка розрахована на основі прогнозування моделі в порівнянні з фактичними значеннями в складі перевірки. Цей крок повторюється для всіх складок.

Крок 3: Розрахунок помилок

Помилки з кожного склада записані. Загальні помилки метрики включають в себе точну помилку (MSE) або означають абсолютну помилку (MAE). Похибка про перевизначення є середнім з цих помилок по всіх складках, що забезпечує оцінку продуктивності моделі.

Крок 4: остаточна оцінка помилок

Середня помилка, отримана з процесу кросовалідації, слугує оцінкою того, як модель буде виконуватися на нових, невидимих даних. Дане значення направляє вибір оптимальних параметрів моделі при налаштуванні.