krossvalideerimist

Krossvalideerimine on statistiline ja masinõppe meetod, mille eesmärk on hinnata mudeli generaliseeruvust, kui andmed jagatakse treening- ja valideerimisosadeks.

Peamised variatsioonid on k-fold krossvalideerimine (tavaliselt 5–10 plokki), leave-one-out (LOOCV), stratified k-fold ning korduv krossvalideerimine. Stratifikatsioon säilitab klasside jaotuse etteantud andmestikus.

Protsess hõlmab andmete jagamist k folds; iga voorus treenitakse mudel ülejäänud k-1 osaga ja testitakse ühe foldi peal; tulemused kombineeritakse, sageli keskmistades. Hindamistarindina kasutatakse sobivus- või hindamismõõdikuid, mis sõltuvad ülesandest (nt täpsus, F1-skoor, ROC-AUC, RMSE).

Eeldused ja riskid hõlmavad iid andmeid ja sõltumatust; ajaliselt järjestatud või grupeeritud andmete puhul võib tulemusi mõjutada valenäitajad ning seetõttu tuleb vältida andmete lekkimist ja kasutada sobivaid stratifikatsioonimeetodeid. Sõltuvalt olukorrast võib olla vajalik nested cross-validation, et hinnata hüperparameetrite mõju.

Kasutus ja piirangud: krossvalideerimist kasutatakse mudelite võrdlemisel ja hüperparameetrite optimeerimisel ning see ei asenda eraldatud välist testkomplekti. Suuremad andmestikud ja keerulised mudelid suurendavad arvutuskoormust, ning LOOCV võib käitada suure variatsiooniga hindasid.