Ce este validarea încrucișată și pentru ce este necesară?

Validarea încrucișată este o metodă de evaluare a calității unui model de învățare automată, care ajută la verificarea cât de bine va funcționa modelul pe date noi, nevăzute. Ideea principală este de a împărți setul de date original în mai multe părți (folds), de exemplu, 5 sau 10. Apoi, modelul este antrenat pe toate părțile cu excepția uneia și testat pe partea rămasă. Acest proces se repetă până când fiecare parte a fost utilizată ca test.

Aceasta permite obținerea unei evaluări mai fiabile a performanței modelului, reducerea supraînvățării și alegerea celor mai bune parametri. De exemplu, în validarea încrucișată cu 5 fold-uri, datele sunt împărțite în 5 părți, iar modelul este antrenat de 5 ori, de fiecare dată pe 4 părți, testând pe 1.

Exemplu în Python cu sklearn:

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

X, y = load_iris(return_X_y=True)
model = RandomForestClassifier()
scores = cross_val_score(model, X, y, cv=5)
print(f"Precizia medie: {scores.mean():.2f}")