Nó giúp đánh giá hiệu suất của mô hình học máy, nó giúp đánh giá một mô hình tổng quát để dữ liệu không nhìn thấy bằng cách phân chia các bộ dữ liệu thành nhiều tập con. kỹ thuật này là thiết yếu để ngăn chặn sự mạnh mẽ và đảm bảo.

- Kết nối chéo là gì?

Siêu định hóa bao gồm chia dữ liệu thành nhiều phần, đào tạo mô hình trên một số phần, và thử nghiệm nó trên các phần khác. Hình thức thông thường nhất là k-fold-valation, nơi dữ liệu được chia thành các phần bằng k. Mô hình được đào tạo k lần, mỗi lần để lại một phần cho hợp lệ và sử dụng các phần còn lại để đào tạo.

Kiểu của sự trao đổi

  • [Fold Cross-Validation: chia dữ liệu thành k conset và thực hiện đào tạo và xác thực k lần.
  • Đã xác định K-Fold: Bảo đảm mỗi nếp gấp có sự phân phối lớp học đại diện, hữu ích cho các nhiệm vụ phân loại.
  • Để lại một-e-O-O-O: sử dụng một điểm dữ liệu để xác thực và phần còn lại để đào tạo, lặp lại cho mỗi điểm dữ liệu.
  • Đã ghi đè lại lặp lại k nhiều lần để có được những ước tính đáng tin cậy hơn.

Áp dụng khả năng thay đổi trong thực hành

Việc thay đổi thần kinh bao gồm việc chọn một loại thích hợp dựa trên bộ dữ liệu và vấn đề. hầu hết máy học tập thư viện, chẳng hạn như vô hướng học tập, cung cấp các chức năng xây dựng để thực hiện sự điều chỉnh chéo dễ dàng. điều quan trọng là đánh giá hiệu suất trung bình trên tất cả các nếp gấp để có được một ước tính đáng tin cậy về hiệu quả của mô hình.

Lợi ích của việc trao đổi quyền lợi

  • Cung cấp một ước tính chính xác hơn về hiệu suất mô hình.
  • Giúp điều chỉnh chất phóng xạ hiệu quả.
  • Giảm nguy cơ bị quá tải.
  • Sử dụng dữ liệu một cách hiệu quả, đặc biệt là với bộ dữ liệu nhỏ.