A keresztellenőrzés egy kritikus technika, amelyet annak értékelésére használnak, hogy a modell mennyire teljesít majd új adatokon. Az elsődleges cél a modell teljesítményének olyan felmérése, amely minimálisra csökkenti az olyan problémákat, mint a túlillesztés (amikor a modell túl sokat tanul a betanítási adatokból, és rosszul teljesít a nem látott adatokon) és az alulillesztés (ahol a modell túlságosan leegyszerűsítő ahhoz, hogy megragadja a mintákat a adat).
A koncepció magában foglalja a rendelkezésre álló adatok több részhalmazra történő felosztását, amely jellemzően két fő részből áll: a betanító készletből és az érvényesítési halmazból (amelyet néha tesztkészletnek is neveznek).
Gyakori technika a k-szeres keresztellenőrzés:
-
Az adatkészlet körülbelül azonos méretű „k” részhalmazra (vagy hajtásra) van felosztva.
-
A modellt „k”-szer edzik, minden alkalommal más-más hajtást használva érvényesítési készletként, a fennmaradó hajtásokat pedig betanító készletként.
-
Például az 5-szörös keresztellenőrzésnél az adatokat öt részhalmazra osztják. A modellt ötször betanítják, minden alkalommal az öt részhalmaz közül egy másikat használnak érvényesítési halmazként, a másik négyet pedig betanítási halmazként.
-
A teljesítménymutatókat (például pontosság, precizitás, visszahívás stb.) a rendszer ezen „k” iteráción keresztül átlagolja, hogy megkapja a végső teljesítménybecslést.
Egyéb gyakori technikák közé tartozik
Keresztellenőrzés (LOOCV)
-
Minden adatpont érvényesítési halmazként szolgál, és a modellt a többi adatra tanítják.
-
Ez a módszer számításilag költséges nagy adathalmazok esetén, de meglehetősen pontos lehet, mivel szinte az összes adatot felhasználja a képzéshez.
Rétegzett keresztellenőrzés
- Biztosítja, hogy minden hajtás reprezentálja a teljes adatkészletet. Fenntartja az osztályeloszlást minden hajtásban, ami hasznos a kiegyensúlyozatlan adatkészleteknél.
A keresztellenőrzés kulcsfontosságú, mert megbízhatóbb becslést ad a modell teljesítményéről nem látott adatokon, összehasonlítva egyetlen vonatteszt-felosztással. Segít az olyan problémák azonosításában, mint a túlillesztés vagy alulillesztés, mivel megbízhatóbb becslést ad arra vonatkozóan, hogy a modell hogyan fog általánosítani az új adatokra.
A keresztellenőrzés használatával a gépi tanulással foglalkozó szakemberek jobb döntéseket hozhatnak a modellválasztással, a hiperparaméter-hangolással és a nem látott adatokon a modell általánosítási teljesítményének felmérésével kapcsolatban.
