Bir modeli değerlendirmek için çapraz doğrulamayı nasıl kullanılır?

Çapraz doğrulama, yeni veriler üzerinde modelin ne kadar iyi çalışacağını kontrol etmeye yardımcı olan bir makine öğrenimi modelinin kalitesini değerlendirme yöntemidir. Temel fikir, orijinal veri kümesini birkaç parçaya (folds) bölmek, modeli bazı parçalarda eğitmek ve kalanlarda test etmektir.

En yaygın varyant, k-fold çapraz doğrulamadır:

1. Veriyi k eşit parçaya bölün.
2. Her bir k parçası için:
   • Modeli diğer k-1 parçada eğitin.
   • Modeli mevcut parçaya (doğrulama kümesi) test edin.
3. Tüm k iterasyondaki metriklerin ortalaması, modelin kalitesine daha güvenilir bir değerlendirme sağlar.

Bu, aşırı uyumu önlemeye ve basit bir eğitim ve test kümesi ayırmadan daha nesnel bir değerlendirme elde etmeye yardımcı olur.

Python'da scikit-learn kullanarak örnek:

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 katlı çapraz doğrulama
print(f"Ortalama doğruluk: {scores.mean():.2f}")