Hvorfor er krydsvalidering påkrævet?

2024 Forfatter: Stanley Ellington | [email protected]. Sidst ændret: 2023-12-16 00:15

Krydsvalidering er en meget nyttig teknik til at vurdere effektiviteten af din model, især i tilfælde, hvor du har brug for at afbøde overfitting. Det er også nyttigt til at bestemme hyperparametrene for din model, i den forstand, at hvilke parametre vil resultere i den laveste testfejl.

Når man tager dette i betragtning, er krydsvalidering altid bedre?

Krydsvalidering er normalt en meget god måde at måle en nøjagtig ydeevne på. Selvom det ikke forhindrer din model i at overfitte, måler den stadig et sandt præstationsestimat. Hvis din model passer dig over, vil det resultere i dårligere præstationsmål. Dette resulterede i værre krydsvalidering ydeevne.

Udover ovenstående, hvorfor har vi brug for et valideringssæt? Valideringssæt faktisk kan betragtes som en del af træningen sæt , fordi det bruges til at bygge din model, neurale netværk eller andre. Det bruges normalt til parametervalg og for at undgå overmontering. Valideringssæt bruges til at indstille en models parametre. Test sæt bruges til præstationsevaluering.

Efterfølgende kan man også spørge, hvad betyder krydsvalidering?

Kryds - validering er en teknik, der bruges til at vurdere, hvordan resultaterne af statistisk analyse generaliserer til et uafhængigt datasæt. Kryds - validering bruges i vid udstrækning i indstillinger, hvor målet er forudsigelse, og det er nødvendigt at estimere nøjagtigheden af en prædiktiv models ydeevne.

Hvordan vælger du antallet af folder i krydsvalidering?

Det antal folder er normalt bestemt af nummer af forekomster indeholdt i dit datasæt. For eksempel, hvis du har 10 forekomster i dine data, 10- fold kryds - validering ville ikke give mening.