Cross-validation - це техніка, яка використовується для оцінки продуктивності керованих моделей навчання. Вона допомагає забезпечити, що модель, що добре визначає дані шляхом розділення даних на кілька підмножин для навчання та тестування. Реалізація крос-оляції правильно може підвищити надійність оцінки моделі.

Розуміння крос-відповіді

Перетинання відбувається за допомогою розділення даних на кілька частин, або складок. Модель проходить на підмножині цих складок і тестується на решту складки. Цей процес повторюється кілька разів, з різними складками, які використовуються для тестування кожного разу. Результати потім середні, щоб забезпечити загальну продуктивність метричними.

Види крос-Валідації

До найбільш поширених видів відносяться:

  • k-Fold Cross-Validation: Дані дивідів в к рівних частин, навчання на к-1 частин і тестування на решту частини.
  • Стратифікований k-Fold: Забезпечує кожну складку підтримує розподіл класу всієї інформації.
  • Leave-One-Out (LOO):] Використання єдиного пункту даних для тестування та решти для навчання, повторення для кожного точки даних.

Реалізація крос-відповіді на практиці

Більшість бібліотек машинного навчання забезпечують вбудовані функції для перехресного оцінювання. Наприклад, в сканітт-олончельних функціях Python, функція спрощує процес. Необхідно вказати модель, данісет, кількість складок.

Приклад коду хіппе:

] з sklearn.model selection import cross val score

Цей код виконує 5-кратне перехресне позначення та повертає бали за кожну складку.