Uthibitishaji Mtambuka
Uthibitishaji mtambuka ni mbinu ya kufanya sampuli upya ya kukadiria jinsi muundo utakavyojumlisha data isiyoonekana.
Muhtasari
It makes better use of limited data and gives a more reliable performance estimate than a single train/test split.
Dive ya kina
Mgawanyiko mmoja wa treni/jaribio ni dhaifu: alama utakazopata inategemea sana ni safu mlalo zipi zilizotua katika seti ya majaribio. Uthibitishaji mtambuka hurekebisha hili kwa kuzungusha jukumu la seti ya jaribio. Katika uthibitishaji mtambuka wa k-fold, unagawanya data katika mikunjo k sawa, fanya mazoezi kwenye k-1 kati yao, kutathmini kwenye zizi lililoshikiliwa, na kurudia mara k ili kila safu ijaribiwe mara moja haswa. Ukadiriaji wa alama za k unatoa makadirio thabiti zaidi pamoja na kipimo cha utofauti. Chaguo za kawaida ni mikunjo 5 au 10. Lahaja ni pamoja na k-folded iliyopangwa (kuhifadhi uwiano wa darasa kwa data isiyosawazishwa), kuondoka-moja (k ni sawa na idadi ya sampuli), na migawanyiko ya mfululizo wa saa ambayo haitoi mafunzo ya siku zijazo kutabiri yaliyopita.
Ufahamu wa Kiufundi
Uthibitishaji mtambuka ni wenye nguvu zaidi kwa uteuzi wa kielelezo na urekebishaji wa kigezo: unalinganisha usanidi kwa alama zao za uthibitishaji wa wastani badala ya kutosheleza kupita kiasi kwa mgawanyiko mmoja. Shida muhimu ni uvujaji wa data - usindikaji wowote wa awali ambao 'unaona' mkusanyiko mzima wa data (kuongeza, uteuzi wa vipengele, uwekaji) lazima ufanane ndani ya kila zizi, si kabla ya kugawanyika, au makadirio yako yatakuwa na upendeleo. Uthibitishaji mtambuka uliowekwa hutenganisha urekebishaji na tathmini ya mwisho ili kuepuka uvujaji huu.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Uthibitishaji Mtambuka
Kadiri hifadhidata na miundo inavyokua, kuendesha k mizunguko kamili ya mafunzo inakuwa ghali, kwa hivyo watendaji wanazidi kupendelea uthibitisho mkubwa ulioshikiliwa kwa ajili ya kujifunza kwa kina huku wakihifadhi uthibitishaji wa mtambuka kwa hifadhidata ndogo au za jedwali. ML otomatiki na zana kama vile GridSearchCV ya scikit-learn na Optuna hutengeneza uthibitishaji mtambuka katika utafutaji wa hyperparameta kwa chaguomsingi. Utafiti unaendelea kuhusu makadirio ya bei nafuu, mabomba yanayostahimili uvujaji, na uthibitishaji ufaao kwa data iliyopangwa kwa makundi, ya viwango vya juu na inayotegemea muda.
Utekelezaji wa Ulimwengu Halisi
Kutumia uthibitishaji mtambuka wa mara 5 ili kulinganisha urejeshaji wa vifaa, msitu nasibu, na uinuaji wa upinde rangi kabla ya kujitolea kwa muundo mmoja.
Utumiaji wa safu-k-iliyopangwa kwenye mkusanyiko wa data usio na usawa wa kugundua ulaghai ili kila mkunjo uhifadhi takriban uwiano sawa wa darasa adimu.
Inaendesha GridSearchCV au RandomizedSearchCV, ambayo huthibitisha kila mseto wa hyperparameta ili kuchagua mipangilio bora zaidi.
Kwa kutumia mfululizo wa saa (kusokota/kupeleka mbele) uthibitishaji mtambuka ili kutathmini hisa au mtabiri wa mahitaji bila mafunzo kuhusu data ya siku zijazo.
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Uthibitishaji Mtambuka husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Cross-Validation quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Mwongozo unaofuata
Visimbaji-Picha dhidi ya Visimbaji viwili
Maswali yanayoulizwa mara kwa mara
What is Cross-Validation?
Uthibitishaji mtambuka ni mbinu ya kufanya sampuli upya ya kukadiria jinsi modeli itakavyojumlisha data isiyoonekana. Inafanya matumizi bora ya data ndogo na inatoa makadirio ya utendakazi ya kuaminika zaidi kuliko mgawanyiko mmoja wa treni/jaribio.
Katika uthibitishaji mtambuka wa k-fold, kila nukta ya data inatumika mara ngapi kwa majaribio?
Kila mkunjo hutumika kama jaribio lililowekwa mara moja haswa katika raundi za k, kwa hivyo kila sampuli hujaribiwa mara moja na kufunzwa kwa zingine.
Je, ni faida gani kuu ya uthibitishaji-mviringo wa k-fold juu ya mgawanyiko mmoja wa treni/jaribio?
Kwa wastani wa mikunjo mingi, uthibitishaji mtambuka hupunguza tofauti ya makadirio ya utendakazi ikilinganishwa na kutegemea mgawanyiko mmoja kiholela.
Kwa nini uthibitisho wa kawaida wa k-fold haufai kwa utabiri wa mfululizo wa saa?
Kuchanganya data iliyoagizwa kwa wakati huvuja siku zijazo katika mafunzo, kwa hivyo CV ya mfululizo wa saa hutumia migawanyiko ya mnyororo wa mbele ambayo hufunza uchunguzi wa awali pekee.