Ristvalideerimise

Ristvalideerimine on statistikas ja masinõppes kasutatav resampling-metoodika, mille abil hinnatakse mudeli üldistuvust sõltumatule andmekogumile. Selle eesmärk on pakkuda paremini objektiivset hinnangut mudeli toimivusest ning vähendada üleõppimise ohtu.

Kõige levinum vorm on k-fold ristvalideerimine: andmed jagatakse võrdseteks osadeks ehk foldideks. Mudel treenitakse foldide hulgas ja hinnatakse jääval foldil; protseduur korratakse nii, et iga fold on kord ühe hindamisandmestikuna. LOOCV ehk leave-one-out CV kasutab iga tähelepanekuna eraldi kontrollandmestikku. Stratified k-fold säilitab klasside esinemise proportsioonid, mis on kasulik ebavõrdselt esinevate klassidega andmestikel. Sisemine ristvalideerimine ehk nested CV tegeleb hüperparameetrite valiku ja mudelivalikuga, et vältida andmete lekkimist ja optimiseerida üldistust.

Töövoog hõlmab andmete jagamist, mudeli treenimist iga foldil, tulemuste hindamist sobiva veamõõdikuga (nt täpsus, RMSE, AUC) ning tulemustesüsteemi keskjoone leidmist. Aja põhiste andmete puhul kasutatakse sageli sobivaid meetodeid, näiteks järjestikust või blokeeritud ristvalideerimist, et arvestada ajalisest sõltuvusest.

Ristvalideerimise peamised kasutusalad on mudeli üldistuvuse hindamine, erinevate algoritmide võrdlemine ja hüperparameetrite optimeerimine. See meetod aitab vähendada üleõppimist ning pakkuda realistlikumat hinnangut mudeli toimivusele uuel andmestikul. Piirangutena nõuab see sageli suurt andmemassiivi ja arvutusvõimsust ning ei sobi otseselt ajas sõltuvate andmete puhul ilma täiendavate meetoditeta.