Cross-validation - статистичний метод, який використовується для оцінки продуктивності моделей машинного навчання. Він допомагає оцінити, наскільки добре модель узагальнена для невидимих даних. Правильний дизайн і розрахунок є важливим для отримання надійних результатів і уникнення перенарядки або підживлення.

Основні принципи транс-виправлення

Перехресне визначення передбачає розділення даних на субсети, підготовку моделі на деяких підсах, а також тестування на інші. Цей процес передбачає оцінку продуктивності моделі на нових даних. Найпоширеніший метод полягає в тому, що перехресне визначення, де дані діляться на рівні частини.

Розглядання дизайну

Вибір правих параметрів є вирішальним. Кількість складок (k) впливає на в'язкість і варіантність. Чим вище к зменшує відбій, але збільшує час обчислення. Зазвичай к встановлюється до 5 або 10 для збалансованих результатів. Принадний дані випадковим чином збиваються перед розщепленням запобігає зносу через порядок даних.

Розрахунок достовірних результатів

Розрахунок середньометричного виконання по всіх складках забезпечує загальний розрахунок. Додатково розрахунок стандартного відхилення забезпечує розуміння мінливості продуктивності моделі. Це сприяє розумінні стійкості моделі.

  • Розділення даних в к рівних частинах
  • Поїзд на частини k-1, тест на решту частини
  • Повторити для всіх частин к
  • Розрахунок кількості показників і стандартного відхилення показників продуктивності