Balidazio gurutzatua eredu batek datu berrietan nola funtzionatuko duen ebaluatzeko erabiltzen den teknika kritikoa da. Helburu nagusia eredu baten errendimendua ebaluatzea da, besteak beste, gehiegizko egokitzapena (ereduak entrenamendu-datuetatik gehiegi ikasten duen eta ikusten ez diren datuekin gaizki egiten duen) eta azpiegokitzea (eredua sinplistegia den ereduak atzemateko) bezalako arazoak minimizatzea. datuak).
Kontzeptuak datuak eskuragarri dauden hainbat azpimultzotan banatzea dakar, normalean bi zati nagusi: prestakuntza-multzoa eta baliozkotze-multzoa (batzuetan proba-multzoa ere deitzen zaio).
Ohiko teknika bat k-fold baliozkotze gurutzatua da:
-
Datu-multzoa gutxi gorabehera tamaina bereko 'k' azpimultzotan (edo tolesturetan) banatzen da.
-
Eredua 'k' aldiz entrenatzen da, aldi bakoitzean tolestura ezberdin bat erabiliz baliozkotze multzo gisa eta gainerako tolesturak entrenamendu multzo gisa.
-
Esate baterako, 5 aldiz baliozkotze gurutzatuan, datuak bost azpimultzotan banatzen dira. Eredua bost aldiz entrenatzen da, aldi bakoitzean bost azpimultzoetako bat baliozkotze multzo gisa eta beste laurak prestakuntza multzo gisa erabiliz.
-
Errendimendu-neurriak (adibidez, zehaztasuna, zehaztasuna, gogoratzea, etab.) 'k' iterazio hauetan batez bestekoa egiten da, azken errendimenduaren estimazioa lortzeko.
Beste teknika arrunt batzuk
Leave-One-Out Balidazio gurutzatua (LOOCV)
-
Datu-puntu bakoitzak baliozkotze multzo gisa balio du, eta eredua gainontzeko datuekin entrenatzen da.
-
Metodo hau konputazionalki garestia da datu multzo handietarako, baina nahiko zehatza izan daiteke, ia datu guztiak entrenatzeko erabiltzen baititu.
Balidazio gurutzatua estratifikatua
- Tolestura bakoitza datu multzo osoaren adierazgarria dela ziurtatzen du. Klaseen banaketa mantentzen du plegu bakoitzean, eta hori lagungarria da datu-multzo desorekatuetarako.
Baliozkotze gurutzatua funtsezkoa da, modelo baten errendimenduaren estimazio fidagarriagoa ematen duelako ikusten ez diren datuetan, tren-proba zatiketa bakar batekin alderatuta. Gehiegizko egokitzea edo egokitzea bezalako arazoak identifikatzen laguntzen du, eredua datu berrietara nola orokortuko den zenbatespen sendoagoa emanez.
Baliozkotze gurutzatua erabiliz, ikaskuntza automatikoko profesionalek ereduen aukeraketari, hiperparametroen sintonizazioari eta eredu baten orokortze-errendimendua ebaluatzeari buruzko erabaki hobeak har ditzakete ikusi gabeko datuetan.
