کراس کراس ایک تکنیک ہے جو کسی ماڈل کی کارکردگی کا تجزیہ کرنے کے لیے استعمال کی جاتی ہے. یہ جانچنے میں مدد کرتا ہے کہ کس طرح ایک ماڈل جنرل کو خفیہ اعداد کے لیے بہتر بنایا گیا ہے، اور زیادہ سے زیادہ معلومات کا خطرہ کم کرنے کے لئے

سمجھ کراس-Validation -

کراس کی کارکردگی میں ڈیٹا سیٹ کو کئی ذیلی ذیلی ضلعوں میں تقسیم کرنا، ان میں سے کچھ صوبوں پر ماڈل کی تربیت کرنا اور اسے دوسروں پر آزمایانا شامل ہے۔اس عمل میں ایک واحد ریلے کے مقابلے میں ماڈل کی کارکردگی کا درست اندازہ زیادہ لگایا جاتا ہے۔

عام کراس-Validation Techniques

  • K-Fold Cros-Validation: اعداد کو 'ک' برابر حصوں میں تقسیم کرنا، K-1 حصوں پر تربیت کرنا اور باقی پر امتحان دینا یہ عمل K کے بار بار واپس واپس پلٹتا ہے۔
  • ] Stratified K-Fold: ویسے ہی K-Fold لیکن کلاس تقسیم کو پورے برصغیر میں برقرار رکھتا ہے، غیر فعال ڈیٹا سیٹ کے لیے مفید ہے۔
  • چھوڑ کر جانے والی ایک-ایک-ایول (LO): ٹیسٹ سیٹ کے طور پر ایک ڈیٹا پوائنٹ استعمال کرتا ہے، باقی کے ساتھ تربیتی ڈیٹا کے لیے صوتی ڈیٹا استعمال کرتا ہے۔

اصلاح کیلئے بہترین مشق

مؤثر صلیبی کارروائی کو یقینی بنانے کے لئے مندرجہ ذیل عوامل پر غور کریں:

  • جب ہم دوسروں کے ساتھ اچھے تعلقات قائم کرتے ہیں تو ہم اُن کے ساتھ بات‌چیت کرتے ہیں ۔
  • اعداد و شمار حجم پر مبنی حسابات کی تعداد منتخب کریں ؛ عام انتخابات 5 یا 10 ہیں۔
  • کومبین کراس-مریخ پر ہائیپرامیںرمیٹر ٹننگ کے ساتھ ساتھ عارضی نتائج کے لیے۔
  • غیر متصل اعداد و شمار کو کم کرنے سے پہلے

پافوس میں عملی نمونہ

پابلون میں کراس کی کرپشن کی شروعات۔ اسکائیتی-کریس کے ساتھ ساتھ براہ راست ہے. یہ ایک سادہ مثال ہے:

کووڈ سنیپپیٹ:

from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier

# Load dataset
data = load_iris()
X = data.data
y = data.target

# Initialize model
model = RandomForestClassifier()

# Perform 5-fold cross-validation
scores = cross_val_score(model, X, y, cv=5)

print("Cross-validation scores:", scores)
print("Average score:", scores.mean())