Cum să folosești validarea încrucișată pentru a evalua un model?

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. Ideea principală este de a împărți setul de date original în mai multe părți (folds), de a antrena modelul pe unele părți și de a-l testa pe celelalte.

Varianta cea mai comună este validarea încrucișată k-fold:

1. Împărțiți datele în k părți egale.
2. Pentru fiecare dintre cele k părți:
   • Antrenați modelul pe celelalte k-1 părți.
   • Testați modelul pe partea curentă (set de validare).
3. Valoarea medie a metricilor din toate cele k iterații oferă o evaluare mai fiabilă a calității modelului.

Acest lucru ajută la evitarea supraînvățării și la obținerea unei evaluări mai obiective decât o simplă împărțire în seturi de antrenament și test.

Exemplu în Python cu scikit-learn:

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)  # validare încrucișată de 5 ori
print(f"Precizia medie: {scores.mean():.2f}")