ДаліНаступний посібник
Вкладена крос-валідація
технічний
ПОСІБНИК З ОСНОВ
Перехресна перевірка
Cross-validation estimates how a model or modeling procedure performs on held-out data by repeating train/validation splits.
Послухайте цей посібникШІ-розказаний · ~1 min
На цій сторінці1 хв читання
Огляд
It supports model assessment, but the estimate depends on the data, split design and preprocessing.
Глибоке занурення
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.
Реалізація в реальному світі
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.
Майбутнє перехресної перевірки
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.
Застосування на практиці
Чому це важливо
- Чіткіші рішення. Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
- Вартість і бюджет. Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
- Команда та робочий процес. Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Зверніть увагу на
- Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
- Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
- Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Наступні кроки
- Почніть із простого визначення необхідного результату.
- Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
- Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
- Задокументуйте, де перехресна перевірка допомагає, а де простіші методи кращі.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Cross-Validation quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
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.
У стандартній k-кратній перехресній перевірці скільки разів кожна точка даних використовується для тестування?
Кожен згин служить тестовим набором рівно один раз у k раундах, тому кожен зразок перевіряється один раз і тренується на решті.
У чому головна перевага k-кратної перехресної перевірки перед одноразовим поділом на тренування/тест?
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.
Чому звичайна k-кратна перехресна перевірка не підходить для прогнозування часових рядів?
Перетасування впорядкованих за часом даних призводить до витоку майбутнього в навчання, тому CV часових рядів використовує розбиття в прямому ланцюжку, які навчаються лише на основі минулих спостережень.
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.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми