K-кратная перакрыжаваная праверка - гэта метад, які выкарыстоўваецца для ацэнкі прадукцыйнасці мадэлі. Гэта асабліва карысна для ацэнкі таго, наколькі добра мадэль будзе абагульняцца для новых, нябачаных дадзеных. Працэс уключае ў сябе падзел набору даных на «k» падмностваў або складкоў прыкладна аднолькавага памеру. Вось разбіўка этапаў:
1. Раздзяленне набору даных:
Набор даных падзелены на 'k' аднолькавых па памеры падмностваў або складкоў. Напрыклад, калі ў вас ёсць 1000 узораў і вы выбіраеце «k» як 5, кожная згортка будзе змяшчаць 200 узораў.
2. Ітэрацыйнае навучанне і ацэнка:
Мадэль навучана 'k' разоў. У кожнай ітэрацыі іншая складка выкарыстоўваецца ў якасці набору праверкі, а астатнія складкі выкарыстоўваюцца для навучання. Напрыклад:
-
Ітэрацыя 1: Складанне 1 у якасці праверкі, Складанне 2 у k для навучання
-
Ітэрацыя 2: Складанне 2 у якасці праверкі, Складанне 1 і 3 у k для навучання
-
Ітэрацыя 3: Fold 3 у якасці праверкі, Folds 1 і 2 і 4 to k для навучання
-
... і гэтак далей, пакуль усе складкі не будуць выкарыстаны ў якасці набору праверкі.
3. Ацэнка прадукцыйнасці:
Пасля кожнай ітэрацыі прадукцыйнасць мадэлі ацэньваецца з дапамогай выбранай метрыкі (напрыклад, дакладнасці, дакладнасці, запамінання і г.д.) у наборы праверкі. Паказчыкі прадукцыйнасці кожнай ітэрацыі асерадняюцца або аб'ядноўваюцца, каб даць агульную ацэнку прадукцыйнасці мадэлі.
4. Агрэгацыя паказчыкаў:
Паказчыкі прадукцыйнасці (напрыклад, паказчыкі дакладнасці) з кожнай ітэрацыі ўсярэдніваюцца або аб'ядноўваюцца, каб даць агульную ацэнку прадукцыйнасці мадэлі. Гэты зводны паказчык уяўляе чаканую прадукцыйнасць мадэлі на нябачных даных.
Перавагі K-кратнай перакрыжаванай праверкі перад простым падзелам цягніка/тэсту
-
Лепшае выкарыстанне даных: К-кратная перакрыжаваная праверка лепш выкарыстоўвае даступныя даныя, паколькі кожны ўзор выкарыстоўваецца як для навучання, так і для праверкі.
-
Паменшаная дысперсія ў ацэнцы прадукцыйнасці: гэта забяспечвае больш надзейную ацэнку прадукцыйнасці мадэлі за кошт памяншэння дысперсіі, звязанай з падзелам аднаго цягніка/тэсту.
-
Абагульненне: дапамагае зразумець, як мадэль працуе на розных падмноствах даных, і, такім чынам, ацаніць яе магчымасці абагульнення.
Выбар значэння 'k'
-
Больш высокія значэнні «k»: выкарыстанне больш высокага значэння «k» (напрыклад, 10 і больш) прыводзіць да меншых набораў праверкі, што можа прывесці да меншага зрушэння ў ацэнцы прадукцыйнасці, але да большага вылічальнага кошту.
-
Нізкія значэнні 'k': выкарыстанне меншага значэння 'k' (напрыклад, 3 або 5) змяншае вылічальныя выдаткі, але можа прывесці да большага зрушэння ў ацэнцы прадукцыйнасці з-за меншай праверкі. наборы.
У практычных сцэнарах
-
Для вялікіх набораў даных больш высокія значэнні «k» могуць быць дарагімі ў плане вылічэнняў.
-
Калі набор даных невялікі, больш высокае "k" можа не даць дастаткова даных у кожнай згортцы для надзейнага навучання мадэлі.
-
Як правіла, такія значэнні, як 5 або 10, звычайна выкарыстоўваюцца, паколькі яны забяспечваюць баланс паміж вылічальнай эфектыўнасцю і надзейнай ацэнкай прадукцыйнасці.
