交叉验证是一种用于评估机器学习模型性能的统计方法,有助于评估模型对隐形数据的概括程度,降低过度匹配的风险。 实施适当的交叉验证技术对于建立可靠和健全的模型至关重要。

什么是交叉变异?

交叉验证涉及将数据集分割成多个子集,对模型进行一些这些子集的培训,并在其他子集进行测试,这个过程比单一列车测试分拆更准确地估计模型的性能.

通用交叉校准技术

  • K-Fold Cross-Validation:[]将数据分割为'k'等部件,对k-1部件进行培训,对剩余部件进行测试。此过程重复了k倍。
  • 分层的K-Fold:[] 与K-Fold相似,但在每个折叠中保持类分布,对不平衡的数据集有用.
  • leave-One-Out 交叉变换(LOOCV): 使用单一数据点进行测试,其余用于培训,每个数据点重复.

交叉更改的好处

使用交叉验证可以提供模型性能的更可靠的估计,有助于调试超参数,并降低超配位的可能性,可以确保模型在不同数据子集之间很好地发挥功能.