Kryžminis patvirtinimas yra labai svarbus metodas, naudojamas įvertinti kaip gerai modelis veiks su naujais duomenimis. Pagrindinis tikslas yra įvertinti modelio našumą taip, kad būtų sumažintos tokios problemos kaip per didelis pritaikymas (kai modelis per daug išmoksta iš treniruočių duomenų ir prastai veikia su nematomais duomenimis) ir netinkamas pritaikymas (kai modelis yra per supaprastintas, kad užfiksuotų modelius duomenis).
Koncepcija apima turimų duomenų padalijimą į kelis pogrupius, paprastai dvi pagrindines dalis: mokymo rinkinį ir patvirtinimo rinkinį (kuris taip pat kartais vadinamas bandymų rinkiniu).
Dažnas metodas yra k-karto kryžminis patvirtinimas:
– Duomenų rinkinys padalintas į maždaug vienodo dydžio „k“ poaibius (arba raukšles).
-
Modelis treniruojamas „k“ kartų, kiekvieną kartą naudojant skirtingą lenkimą kaip patvirtinimo rinkinį, o likusius sulenkimus kaip mokymo rinkinį.
-
Pavyzdžiui, 5 kartus kryžminio patvirtinimo metu duomenys suskirstomi į penkis pogrupius. Modelis mokomas penkis kartus, kiekvieną kartą naudojant kitą iš penkių pogrupių kaip patvirtinimo rinkinį ir kitus keturis kaip mokymo rinkinį.
– Našumo metrikos (pvz., tikslumo, tikslumo, atšaukimo ir kt.) vidurkis apskaičiuojamas iš šių „k“ iteracijų, kad būtų gautas galutinis našumo įvertinimas.
Kiti įprasti metodai apima
Kryžminis patvirtinimas iš vienos pusės (LOOCV)
-
Kiekvienas duomenų taškas naudojamas kaip patvirtinimo rinkinys, o modelis yra apmokytas pagal likusius duomenis.
-
Šis metodas yra brangus dideliems duomenų rinkiniams, tačiau gali būti gana tikslus, nes treniruotėms naudojami beveik visi duomenys.
Stratifikuotas kryžminis patvirtinimas
– Užtikrina, kad kiekvienas lankstymas atspindėtų visą duomenų rinkinį. Jis palaiko klasių pasiskirstymą kiekviename lankstymo metu, o tai naudinga nesubalansuotiems duomenų rinkiniams.
Kryžminis patvirtinimas yra labai svarbus, nes jis suteikia patikimesnį modelio našumo įvertinimą naudojant nematomus duomenis, palyginti su vienu traukinio bandymo padalijimu. Tai padeda nustatyti tokias problemas kaip per didelis pritaikymas arba netinkamas pritaikymas, nes pateikia tikslesnį įvertinimą, kaip modelis apibendrins naujus duomenis.
Naudodami kryžminį patvirtinimą, mašininio mokymosi praktikai gali priimti geresnius sprendimus dėl modelio pasirinkimo, hiperparametrų derinimo ir modelio apibendrinimo dėl nematomų duomenų vertinimo.
