बुनियादी गाइड
पार सत्यापन
Cross-validation estimates how a model or modeling procedure performs on held-out data by repeating train/validation splits.
इस गाइड को सुनेंएआई-नैरेटेड · ~1 min
इस पृष्ठ पर1 मिनट पढ़ें
सिंहावलोकन
It supports model assessment, but the estimate depends on the data, split design and preprocessing.
गहरा गोता
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.
वास्तविक विश्व कार्यान्वयन
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.
क्रॉस-वैलिडेशन का भविष्य
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.
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- स्पष्ट निर्णय. यह आपको स्पष्ट तकनीकी दावों को मार्केटिंग भाषा से अलग करने में मदद करता है।
- लागत और बजट. आप पैसा या समय खर्च करने से पहले बेहतर कार्यान्वयन संबंधी प्रश्न पूछ सकते हैं।
- टीम और वर्कफ़्लो. साझा समझ वाली टीमें बेहतर उत्पाद, नीति और सीखने के निर्णय लेती हैं।
का ध्यान रखें
- अलग-अलग टीमें एक ही शब्द का अलग-अलग इस्तेमाल कर सकती हैं, इसलिए दायरे को पहले ही परिभाषित कर लें।
- बेंचमार्क मजबूत दिख सकते हैं जबकि वास्तविक दुनिया का प्रदर्शन असमान है।
- डेटा गुणवत्ता और मूल्यांकन योजनाओं की अनदेखी अक्सर नाजुक परिणाम पैदा करती है।
अगले चरण
- आपको जिस परिणाम की आवश्यकता है उसकी सरल भाषा में परिभाषा से शुरुआत करें।
- परीक्षण से पहले एक सफलता मीट्रिक और एक विफलता स्थिति चुनें।
- प्रतिनिधि डेटा के साथ एक छोटा पायलट चलाएँ, न कि एक परिष्कृत डेमो सेट।
- दस्तावेज़ जहां क्रॉस-वैलिडेशन मदद करता है और जहां सरल तरीके बेहतर हैं।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the Cross-Validation quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
What is Cross-Validation?
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.
मानक के-फोल्ड क्रॉस-वैलिडेशन में, परीक्षण के लिए प्रत्येक डेटा बिंदु का कितनी बार उपयोग किया जाता है?
प्रत्येक तह k राउंड में ठीक एक बार परीक्षण सेट के रूप में कार्य करती है, इसलिए प्रत्येक नमूने का एक ही बार परीक्षण किया जाता है और बाकी पर प्रशिक्षित किया जाता है।
एकल ट्रेन/टेस्ट स्प्लिट की तुलना में के-फोल्ड क्रॉस-वैलिडेशन का मुख्य लाभ क्या है?
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.
समय-श्रृंखला पूर्वानुमान के लिए सामान्य के-फ़ोल्ड क्रॉस-सत्यापन अनुपयुक्त क्यों है?
समय-क्रमित डेटा को फेरबदल करने से भविष्य प्रशिक्षण में लीक हो जाता है, इसलिए समय-श्रृंखला सीवी फॉरवर्ड-चेनिंग विभाजन का उपयोग करता है जो केवल पिछले अवलोकनों पर प्रशिक्षित होता है।
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.
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं