মৌলিক নির্দেশিকা
ক্রস-ভ্যালিডেশন
Cross-validation estimates how a model or modeling procedure performs on held-out data by repeating train/validation splits.
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~1 min
এই পৃষ্ঠায়1 মিনিট পড়া
ওভারভিউ
It supports model assessment, but the estimate depends on the data, split design and preprocessing.
গভীর ডুব
In k-fold cross-validation, the data are divided into folds; each fold is held out once while the others train the model. Repeated partitions can make an estimate less dependent on one particular split, but do not guarantee greater reliability: dependence between folds, sample size and distribution shift still matter. Preprocessing belongs inside each training fold. Nested cross-validation separates hyperparameter selection from outer evaluation.
বাস্তব-বিশ্ব বাস্তবায়ন
K-fold cross-validation rotates which fold is held out for evaluation.
Stratification can preserve approximate class proportions in folds for classification.
Preprocessing should be fitted within each training fold to avoid leakage.
Nested cross-validation separates inner model selection from outer evaluation.
ক্রস-ভ্যালিডেশনের ভবিষ্যত
Choose validation procedures based on the data structure and deployment question. AutoML or deep-learning workflows do not universally require one holdout strategy; the method should be justified and reported.
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- সুস্পষ্ট সিদ্ধান্ত. এটি আপনাকে বিপণনের ভাষা থেকে স্পষ্ট প্রযুক্তিগত দাবিগুলি আলাদা করতে সহায়তা করে।
- খরচ ও বাজেট. অর্থ বা সময় ব্যয় করার আগে আপনি আরও ভাল বাস্তবায়ন প্রশ্ন জিজ্ঞাসা করতে পারেন।
- টিম এবং ওয়ার্কফ্লো. ভাগ করা বোঝাপড়া সহ দলগুলি আরও ভাল পণ্য, নীতি এবং শেখার সিদ্ধান্ত নেয়।
জন্য সতর্ক
- বিভিন্ন দল একই শব্দটি ভিন্নভাবে ব্যবহার করতে পারে, তাই সুযোগটি আগে থেকেই নির্ধারণ করুন।
- বেঞ্চমার্কগুলি শক্তিশালী দেখাতে পারে যখন বাস্তব-বিশ্বের কর্মক্ষমতা অসম হয়।
- ডেটা গুণমান এবং মূল্যায়ন পরিকল্পনা উপেক্ষা করা প্রায়ই ভঙ্গুর ফলাফল তৈরি করে।
পরবর্তী পদক্ষেপ
- আপনার প্রয়োজনীয় ফলাফলের একটি সরল-ভাষা সংজ্ঞা দিয়ে শুরু করুন।
- পরীক্ষার আগে একটি সাফল্যের মেট্রিক এবং একটি ব্যর্থতার শর্ত বাছুন।
- একটি পালিশ ডেমো সেট নয়, প্রতিনিধি ডেটা সহ একটি ছোট পাইলট চালান৷
- নথি যেখানে ক্রস-ভ্যালিডেশন সাহায্য করে এবং যেখানে সহজ পদ্ধতিগুলি ভাল।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Cross-Validation quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ক্রস-ভ্যালিডেশন কি?
Cross-validation estimates how a model or modeling procedure performs on held-out data by repeating train/validation splits. It supports model assessment, but the estimate depends on the data, split design and preprocessing.
স্ট্যান্ডার্ড কে-ফোল্ড ক্রস-ভ্যালিডেশনে, পরীক্ষার জন্য প্রতিটি ডেটা পয়েন্ট কতবার ব্যবহার করা হয়?
প্রতিটি ভাঁজ কে রাউন্ড জুড়ে ঠিক একবার পরীক্ষা সেট হিসাবে কাজ করে, তাই প্রতিটি নমুনা একবার পরীক্ষা করা হয় এবং বাকিগুলিতে প্রশিক্ষণ দেওয়া হয়।
একটি একক ট্রেন/পরীক্ষা বিভাজনের উপর কে-ফোল্ড ক্রস-ভ্যালিডেশনের প্রধান সুবিধা কী?
Averaging results across folds can reduce dependence on one particular train/test split, but it does not guarantee a reliable estimate; sample size, data dependence and split design still matter.
কেন সাধারণ কে-ফোল্ড ক্রস-ভ্যালিডেশন সময়-সিরিজের পূর্বাভাসের জন্য অনুপযুক্ত?
টাইম-অর্ডার করা ডেটা এলোমেলো করে ভবিষ্যৎকে প্রশিক্ষণে নিয়ে যায়, তাই টাইম-সিরিজ সিভি ফরওয়ার্ড-চেইনিং স্প্লিট ব্যবহার করে যা শুধুমাত্র অতীতের পর্যবেক্ষণের উপর প্রশিক্ষণ দেয়।
What is the purpose of nested cross-validation?
Nested cross-validation uses inner folds for model selection and outer folds to estimate the performance of that selection process, reducing selection bias.
Which fold counts are common starting choices for k-fold cross-validation?
The guide identifies five- and ten-fold cross-validation as common choices, though the suitable design depends on the data and task.
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড