Ինչպես օգտագործել խաչմերուկային վավերացումը մոդելի գնահատման համար։

Կրոս-վալիդացիան մեթոդ է մեքենայական ուսուցման մոդելի որակն գնահատելու համար, որը օգնում է ստուգել, թե որքան լավ է մոդելը աշխատելու նոր տվյալների վրա: Հիմնական գաղափարը՝ բաժանել սկզբնական տվյալների հավաքածուն մի քանի մասի (folds), ուսուցանել մոդելը որոշ մասերում և փորձարկել մնացած մասերում:

Ամենատարածված տարբերակը՝ k-fold կրոս-վալիդացիան:

1. Բաժանել տվյալները k հավասար մասերի:
2. Ամեն մի մասի համար՝
   • Ուսուցանել մոդելը մնացած k-1 մասերում:
   • Փորձարկել մոդելը ընթացիկ մասում (վալիդացիոն հավաքածու):
3. Բոլոր k կրկնությունների մետрикների միջին արժեքը ավելի հուսալի գնահատում է մոդելի որակի մասին:

Այս մեթոդը օգնում է խուսափել ավելորդ հարմարեցումից և ստանալ ավելի օբյեկտիվ գնահատում, քան պարզապես ուսուցման և փորձարկման հավաքածուների բաժանումը:

Python-ում scikit-learn օգտագործելով՝

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris

iris = load_iris()
X, y = iris.data, iris.target
model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)  # 5-փուլ կրոս-վալիդացիա
print(f"Միջին ճշգրտություն: {scores.mean():.2f}")