kfoldristiinvalidaatio

K-fold ristiinvalidaatio on tilastollinen arviointimenetelmä, jota käytetään koneoppimisessa mallin suorituskyvyn arviointiin. Menetelmä jakaa aineiston satunnaisesti k yhtä suureen osioon (foldiin). Jokaisella kierroksella malli opetetaan käyttäen k−1 foldia ja testataan yhdellä erillisellä foldilla. Tämä toistetaan niin monta kertaa kuin foldia on, jolloin jokainen osuus toimii kerran testijoukkona. Lopullinen suorituskykyestimaatti saadaan useiden testihetkien mittausten keskiarvona (ja usein hajontana).

Stratifioitu k-fold-valinta on yleinen muunnelma, jossa jokaisessa foldissa säilytetään koko aineiston luokkien jakauma, mikä on tärkeää luokkien epätasaisissa jakaumissa. Tämä parantaa estimaatin luotettavuutta luokkien harvinaisuuksien olosuhteissa. Lisäksi on olemassa toistoa ja sisäkkäistä ristiinvalidointia (nested cross-validation), joita käytetään esimerkiksi hyperparametrien valinnan yhteydessä mallin suorituskyvyn erottamiseksi virheestä.

K-fold-validaatiolla on hyödyt ja rajoitukset. Se mahdollistaa tehokkaamman aineiston hyödyntämisen verrattuna perinteiseen jaon yhdellä treenaus- ja testijaksolla, ja se antaa vakaamman arvion pienemmillä datamäärillä. Toisaalta se on laskennallisesti vaativampi kuin yksittäinen jaon menetelmä, ja suurta k arvoa käytettäessä testijoukon koko pienenee liikaa. Sitä ei suositella käytettäväksi ajassa tai aikajärjestyksessä tapahtuvien ilmiöiden kanssa ilman soveltuvia muutoksia, kuten ajanjaksottelua.

Käytännössä k-fold-validaatiota sovelletaan mallien vertailuun, hyperparametrien valintaan ja mallin suorituskyvyn raportointiin. Työkalut kuten scikit-learn tukevat tämän menetelmän toteutuksia, mukaan lukien stratified-k-fold ja eri arviointimetriat kuten tarkkuus, F1-piste, ROC-AUC sekä regressiossa RMSD tai RMSE.