ristiivalidointia

Ristiinvalidaatio on menetelmä koneoppimismallien suorituskyvyn arvioimiseksi ja mallien valitsemiseksi. Se auttaa ennustamaan, kuinka hyvin malli yleistää uuteen, näkemättömään dataan. Yksinkertaisimmillaan, k-kertainen ristiinvalidaatio jakaa datan k yhtä suureen osaan eli "taitteeseen". Malli koulutetaan sitten k kertaa, jokaisella kerralla käyttäen yhtä taittetta mallin testaamiseen ja jäljelle jääviä k-1 taitteita kouluttamiseen. Lopullinen suorituskyky on näiden k testin tulosten keskiarvo.

Tämän menetelmän etuna on, että se hyödyntää kaiken datan sekä koulutukseen että testaukseen, vähentäen satunnaisuuden vaikutusta, joka voisi ilmetä yksinkertaisella jaolla koulutus- ja testijoukkoihin. Ristiinvalidaatiota käytetään yleisesti hyperparametrien virityksessä, jossa etsitään optimaalisia mallin asetuksia. Se auttaa myös tunnistamaan yli- ja alisovittumista. Kun malli suoriutuu erittäin hyvin koulutusdatalla, mutta huonosti ristiinvalidaatiossa, se viittaa ylisovittumiseen. Vastaavasti, jos malli suoriutuu huonosti sekä koulutus- että ristiinvalidaatiossa, se voi osoittaa alisovittumista.

Yleisimmät ristiinvalidoinnin muodot ovat k-kertainen ristiinvalidaatio, leave-one-out ristiinvalidaatio (erikoistapaus, jossa k on yhtä suuri kuin datan havaintojen määrä) ja satunnainen jako. Menetelmän valinta riippuu usein datan koosta ja laskentaresursseista. Ristiinvalidaatiota pidetään luotettavana tapana arvioida mallin yleistyskykyä.