k-fold交叉驗證

K-Fold交叉驗證

交叉驗證是一種測量機器學習模型技能的統計方法。你可以在應用機器學習中更好地看到它的應用，在那裏它比較和選擇預測建模問題的模型，並且更容易理解和實現。k-fold交叉驗證是一種評估機器學習模型技能的交叉驗證方法。k-fold交叉驗證是一個過程，通過它你可以估計機器學習模型在新數據上的性能。您不需要擔心選擇k的值，因為有確定的方法可以確定k的值並相應地劃分數據。

您可以在scikit-learn中找到許多常用的交叉驗證變體，例如曾經分層和重複的交叉驗證。交叉驗證被認為是重采樣過程。它用於在有限的數據集上評估機器學習模型。您將確定稱為k的單個參數的值，它指的是給定數據集可以被分成的折疊數。這個過程被稱為k-fold交叉驗證。您還可以有一個指定的k值，它可以代替參考模型的k。例如，如果k的值是5，它就變成了5倍交叉驗證。交叉驗證主要用於在不可見的數據上使用，以估計機器學習模型的技能。k-fold交叉驗證算法用於通過對某些數字進行測試來確定其總體性能。它主要用於預測，在模型訓練期間不使用。

k-fold交叉驗證是一種流行的方法，因為它易於理解和實現。與其他方法相比，它還提供了對模型技能較少的偏見或不太樂觀的估計。實現k-fold交叉驗證的一般步驟是:

• 隨機打亂數據集。

• 將數據集分成k個折疊。

• 對於每一個獨特的折疊:

  • 考慮折疊或組作為測試數據集。

  • 將剩餘的折疊視為訓練數據集。

  • 在訓練數據集上擬合模型，並在測試數據集上評估模型。

  • 檢索評估分數並丟棄模型。

• 用一個模型評價分數的樣本來總結模型的技能。

當您遵循k-fold交叉驗證的程序時，您將知道數據集中的每個觀察值都被分配給一個單獨的折疊，並在程序期間保持在該折疊中。由此得出，每個數據集都有機會在測試數據集中使用一次，並用於訓練模型k-1次。借助模型技能得分的平均值，實現了k-fold交叉驗證運行的總結。這被認為是一個很好的實踐，涉及到一個衡量的方差的技能分數。例如，標準誤差或標準偏差。

在k-fold交叉驗證中最關鍵的任務是找出k的值，因為整個方法取決於k的配置。當我們使用k值來劃分數據集時，明智地選擇這個值對我們來說變得至關重要。如果你選擇一個較差的k值，可能會導致對模型技能的誤解。為了避免這種情況，數據科學家在選擇k值時必須特別小心。如果你喜歡一些隨機的差值，它可能會給你對模型技能的錯誤印象，比如高方差得分或高偏差。因此，為了消除所有這些可能性，有一些確定k值的規則。求k值的三種常見策略包括:

• 代表性:k值的選擇是這樣的:每個測試/訓練數據集都足夠大，可以在統計上代表更廣泛的數據集。

• k=10: k的這個值10通常在許多實驗中被發現，它給出了一個數據集的低偏差適度方差估計。

• k=n:這裏，k的值設置為n，其中n是為每個數據集提供在測試數據集中被利用的機會的數據集的大小。這種技術被稱為省略交叉驗證。

如果你想知道k-fold交叉驗證方法的性能，請查看k-fold交叉驗證的示例。關於k-fold交叉驗證的文章、博客或課程中介紹了很多例子。您可以訪問這些頁麵並熟悉算法的工作原理。如果你想深入學習，報名參加Great Learning提供的免費k-fold交叉驗證課程。beplay2018官网成功完成所有課程模塊並獲得免費的k-fold交叉驗證證書。今天注冊，在數據科學領域建立您的職業生涯。