Cross-validation modelin yeni, görünməmiş məlumatlara nə dərəcədə ümumiləşdirilməsini qiymətləndirmək üçün istifadə edilən texnikadır. Onun əsas məqsədi modelin performansını qiymətləndirmək, həddindən artıq uyğunlaşmanın qarşısını almaq və modelin müstəqil verilənlər bazasında necə işləyəcəyi ilə bağlı etibarlı təxminləri təmin etməkdir.
Metodologiya
-
K-Fold Cross-Validation: Bu üsul verilənlər dəstinin təxminən bərabər ölçülü k alt çoxluqlara/qatlara bölünməsini nəzərdə tutur. Model k dəfə öyrədilir, hər dəfə təlim üçün k-1 qatlardan və təsdiq üçün qalan qatlardan istifadə edilir. Bu proses adətən nəticələri orta hesabla alaraq daha möhkəm qiymətləndirmə metrikasını təmin etməklə **k müxtəlif modellər və performans təxminləri istehsal edir.
-
One-Out Çarpaz Validasiya (LOOCV): LOOCV-də vahid məlumat nöqtəsi doğrulama dəsti kimi saxlanılır, qalan məlumatlar isə təlim üçün istifadə olunur. Bu proses hər bir məlumat nöqtəsi üçün təkrarlanır, nəticədə n iterasiya (burada n = məlumat nöqtələrinin sayı) olur. Bu, çox hesablama baxımından bahadır, lakin xüsusilə kiçik verilənlər dəstləriiləetibarlı qiymətləndirmə təmin edə bilər.
Məqsəd
-
Model Performansının Qiymətləndirilməsi: Çarpaz doğrulama modelin görünməyən məlumatlar üzərində nə qədər yaxşı performans göstərdiyini anlamağa kömək edir, onun təkcə təlim dəstini yadda saxlamadığını (həddindən artıq uyğunlaşdırma), həm də ümumiləşdirilə bilən nümunələri öyrəndiyini təmin edir.
-
Həddindən artıq uyğunlaşmanın azaldılması: Verilənlərin müxtəlif alt dəstləri üzrə modeli təsdiq etməklə, çarpaz doğrulama həddən artıq uyğunlaşmanın müəyyən edilməsinə və azaldılmasına kömək edir. O, modelin görünməyən məlumatlar üzərində nə qədər yaxşı çıxış etdiyini qiymətləndirir, səs-küy və ya uyğun olmayan nümunələri tutma şansını minimuma endirir.
-
Etibarlı Ümumiləşdirmə Təxminləri: Çarpaz doğrulama birdən çox qiymətləndirmə dəstindən istifadə etməklə modelin performansının daha etibarlı təxminlərini təmin edir və bu, modelin yeni məlumatlara ümumiləşdirmə qabiliyyətinin daha möhkəm qiymətləndirilməsinə gətirib çıxarır.
Üstünlüklər və Praktiki Ssenarilər
-
K-Fold CV: O, geniş istifadə olunur və əksər məlumat dəstləri üçün uyğundur. Bununla belə, böyük verilənlər dəstləri üçün hesablama dəyəri yüksək ola bilər.
-
LOOCV: O, ən az qərəzli təxminləri təmin edir, lakin təkrarlamaların çoxluğuna görə hesablama baxımından bahalı və daha böyük verilənlər topluları üçün qeyri-mümkün ola bilər.
Ssenarilər
-
Kiçik Datasets: LOOCV faydalı ola bilər, çünki hesablama dəyərinə baxmayaraq, etibarlı qiymətləndirmə təmin edir.
-
Böyük məlumat dəstləri: K-Fold CV hələ də möhkəm təxminlər təmin etməklə yanaşı, aşağı hesablama tələblərinə görə daha praktik ola bilər.
Çarpaz doğrulama modelin performansını qiymətləndirmək, həddindən artıq uyğunlaşmanı azaltmaq və modelin ümumiləşdirmə qabiliyyətini qiymətləndirmək üçün çox vacibdir. Metod seçimi çox vaxt verilənlər bazasının ölçüsündən, hesablama resurslarından və modelin performansını qiymətləndirmək üçün tələb olunan dəqiqlik səviyyəsindən asılıdır.
