ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ವಿಧಾನ

ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ವಿಧಾನ

ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ದತ್ತಾಂಶ ವಿಜ್ಞಾನದಲ್ಲಿ, ಒಂದು ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ದತ್ತಾಂಶದ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ಒಂದು ದೊಡ್ಡ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ, ಜೊತೆಗೆ ಹೊಸ, ಹಿಂದೆ ಕಾಣದ ದತ್ತಾಂಶದ ಮೇಲೂ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸಾಮಾನ್ಯೀಕರಣ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಇಲ್ಲಿಯೇ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವು ಬರುತ್ತದೆ: ಒಂದೇ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಒಂದೇ ಮೌಲ್ಯಮಾಪನಕ್ಕಿಂತ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚು ನ್ಯಾಯಯುತವಾಗಿ ಮತ್ತು ಸ್ಥಿರವಾಗಿ ಅಳೆಯಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನ.

ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಏಕೆ ಬೇಕು?

ನಾವು ಮುನ್ಸೂಚಕ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಿದಾಗ - ಉದಾಹರಣೆಗೆ, ಮನೆ ಬೆಲೆಗಳನ್ನು ಊಹಿಸಲು ಹಿಂಜರಿತ ಮಾದರಿ ಅಥವಾ ಸ್ಪ್ಯಾಮ್ ಅನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವರ್ಗೀಕರಣ ಮಾದರಿ - ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಡೇಟಾವನ್ನು ಎರಡು ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತೇವೆ: ತರಬೇತಿ ಸೆಟ್ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ನಂತರ ಪರೀಕ್ಷಾ ಡೇಟಾದ ಮೇಲೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ. ಈ ವಿಧಾನವು ಸರಳವಾಗಿದೆ, ಆದರೆ ಇದು ಒಂದು ನ್ಯೂನತೆಯನ್ನು ಹೊಂದಿದೆ: ಮೌಲ್ಯಮಾಪನ ಫಲಿತಾಂಶಗಳು ಡೇಟಾವನ್ನು ಹೇಗೆ ವಿಭಜಿಸಲಾಗಿದೆ ಎಂಬುದರ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಪರೀಕ್ಷಾ ಡೇಟಾ "ಸುಲಭ"ವಾಗಿದ್ದರೆ, ಕಾರ್ಯಕ್ಷಮತೆ ಹೆಚ್ಚು ಎಂದು ತೋರುತ್ತದೆ; ಪರೀಕ್ಷಾ ಡೇಟಾ "ಕಠಿಣ"ವಾಗಿದ್ದರೆ, ಕಾರ್ಯಕ್ಷಮತೆ ಕಡಿಮೆ ಎಂದು ತೋರುತ್ತದೆ.

ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನವು ವಿಭಿನ್ನ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಬಹು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಮೂಲಕ ಮತ್ತು ನಂತರ ಫಲಿತಾಂಶಗಳನ್ನು ಸರಾಸರಿ ಮಾಡುವ ಮೂಲಕ ಒಂದೇ ಡೇಟಾ ಸೆಟ್‌ನ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಇದು ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಹೆಚ್ಚು ಪ್ರತಿನಿಧಿಸುವ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂದಾಜುಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.

ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣದ ಮೂಲ ಪರಿಕಲ್ಪನೆಗಳು

ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದ ಮೂಲತತ್ವವೆಂದರೆ ಡೇಟಾವನ್ನು ಹಲವಾರು ಭಾಗಗಳಾಗಿ (ಮಡಿಕೆಗಳು) ವಿಭಜಿಸುವುದು. ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ, ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಕೆಲವು ಮಡಿಕೆಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಒಂದು ಮಡಿಕೆಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಮಡಿಕೆಯನ್ನು ಪರೀಕ್ಷಾ ದತ್ತಾಂಶವಾಗಿ ಬಳಸುವವರೆಗೆ ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಅಂಕಗಳನ್ನು ನಂತರ ಸಂಯೋಜಿಸಲಾಗುತ್ತದೆ (ಸಾಮಾನ್ಯವಾಗಿ ಸರಾಸರಿ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಪ್ರಮಾಣಿತ ವಿಚಲನದೊಂದಿಗೆ) ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವಲೋಕನವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಉದಾಹರಣೆಗೆ, k=5 ನೊಂದಿಗೆ k-ಫೋಲ್ಡ್ ಕ್ರಾಸ್ ವ್ಯಾಲಿಡೇಶನ್‌ನಲ್ಲಿ, ಡೇಟಾವನ್ನು 5 ಮಡಿಕೆಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಮೊದಲ ಪುನರಾವರ್ತನೆ: ಪರೀಕ್ಷೆಯಾಗಿ 1 ಅನ್ನು ಮಡಿಸಿ, ತರಬೇತಿಯಾಗಿ 2–5 ಅನ್ನು ಮಡಿಸಿ. ಎರಡನೇ ಪುನರಾವರ್ತನೆ: ಪರೀಕ್ಷೆಯಾಗಿ 2 ಅನ್ನು ಮಡಿಸಿ, ಮತ್ತು ಹೀಗೆ 5 ಮಡಿಸುವಿಕೆಯವರೆಗೆ.

ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣದ ಸಾಮಾನ್ಯ ವಿಧಗಳು

1. ಹೋಲ್ಡ್ಔಟ್ ಮೌಲ್ಯೀಕರಣ (ರೈಲು-ಪರೀಕ್ಷಾ ವಿಭಜನೆ)
ತಾಂತ್ರಿಕವಾಗಿ "ಪುನರಾವರ್ತಿತ" ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಮಾಡದಿದ್ದರೂ, ಹೋಲ್ಡ್ಔಟ್ ವಿಧಾನವನ್ನು ಹೆಚ್ಚಾಗಿ ಮೂಲಭೂತ ಮೌಲ್ಯೀಕರಣ ಹಂತವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಡೇಟಾವನ್ನು ಒಮ್ಮೆ ವಿಭಜಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ, 80% ತರಬೇತಿ ಮತ್ತು 20% ಪರೀಕ್ಷೆ. ಅನುಕೂಲವೆಂದರೆ ಅದು ವೇಗವಾಗಿದೆ ಮತ್ತು ಸರಳವಾಗಿದೆ, ಆದರೆ ಅನಾನುಕೂಲವೆಂದರೆ ಫಲಿತಾಂಶಗಳಲ್ಲಿನ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸ ಏಕೆಂದರೆ ಅದು ಒಂದೇ ವಿಭಜನೆಯನ್ನು ಅವಲಂಬಿಸಿದೆ.

ಈ ವಿಧಾನವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ದತ್ತಾಂಶವು ತುಂಬಾ ದೊಡ್ಡದಾಗಿದ್ದಾಗ ಬಳಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಂದು ವಿಭಾಗವು ಸಹ ಸಾಕಷ್ಟು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.

2. ಕೆ-ಫೋಲ್ಡ್ ಕ್ರಾಸ್ ಮೌಲ್ಯೀಕರಣ
ಇದು ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ರೂಪವಾಗಿದೆ. k ನಿಯತಾಂಕವನ್ನು ಹೆಚ್ಚಾಗಿ 5 ಅಥವಾ 10 ಎಂದು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚ ಮತ್ತು ಅಂದಾಜು ಗುಣಮಟ್ಟವನ್ನು ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಪ್ರಯೋಜನಗಳು:
- ದತ್ತಾಂಶವನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸುವುದು (ಪ್ರತಿಯೊಂದು ದತ್ತಾಂಶವು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಭಾಗವಾಗುತ್ತದೆ).
- ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂದಾಜುಗಳು ತಡೆಹಿಡಿಯುವಿಕೆಗಿಂತ ಹೆಚ್ಚು ಸ್ಥಿರವಾಗಿರುತ್ತವೆ.

ಕೇಕುರಂಗನ್:
– ಇದು ಮಾದರಿಯನ್ನು ಕೆ ಬಾರಿ ತರಬೇತಿ ನೀಡುವುದರಿಂದ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
- ಡೇಟಾ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದ್ದರೆ ಅಥವಾ ಮಾದರಿ ತುಂಬಾ ಸಂಕೀರ್ಣವಾಗಿದ್ದರೆ, ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚಗಳು ಹೆಚ್ಚಾಗಬಹುದು.

3. ಶ್ರೇಣೀಕೃತ ಕೆ-ಫೋಲ್ಡ್ ಕ್ರಾಸ್ ಮೌಲ್ಯೀಕರಣ
ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆಗಳಿಗೆ, ವಿಶೇಷವಾಗಿ ವರ್ಗಗಳು ಅಸಮತೋಲನಗೊಂಡಿದ್ದರೆ (ಉದಾ. 90% ಋಣಾತ್ಮಕ, 10% ಧನಾತ್ಮಕ), ನಿಯಮಿತ k- ಪಟ್ಟು ಓರೆಯಾದ ವರ್ಗ ವಿತರಣೆಗಳೊಂದಿಗೆ ಮಡಿಕೆಗಳನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಶ್ರೇಣೀಕೃತ k- ಪಟ್ಟು ಪ್ರತಿ ಮಡಿಕೆಯಲ್ಲಿನ ವರ್ಗಗಳ ಅನುಪಾತವು ಮೂಲ ದತ್ತಾಂಶದಲ್ಲಿನ ವರ್ಗಗಳ ಅನುಪಾತದಂತೆಯೇ ಸರಿಸುಮಾರು ಒಂದೇ ಆಗಿರುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ರೋಗ ಪತ್ತೆ ಮಾದರಿಗಳು, ವಂಚನೆ ಅಥವಾ ಅಲ್ಪಸಂಖ್ಯಾತ ವರ್ಗವು ಚಿಕ್ಕದಾಗಿರುವ ಇತರ ಪ್ರಕರಣಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವಾಗ ಇದು ವಿಶೇಷವಾಗಿ ಮುಖ್ಯವಾಗಿದೆ.

4. ಲೀವ್-ಒನ್-ಔಟ್ ಕ್ರಾಸ್ ವ್ಯಾಲಿಡೇಶನ್ (LOOCV)
LOOCV ನಲ್ಲಿ, ಮಡಿಕೆಗಳ ಸಂಖ್ಯೆಯು ದತ್ತಾಂಶದ ಪ್ರಮಾಣಕ್ಕೆ ಸಮಾನವಾಗಿರುತ್ತದೆ (k = n). ಇದರರ್ಥ ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ, ಕೇವಲ ಒಂದು ವೀಕ್ಷಣೆಯು ಪರೀಕ್ಷಾ ದತ್ತಾಂಶವಾಗುತ್ತದೆ, ಉಳಿದವು ತರಬೇತಿ ದತ್ತಾಂಶವಾಗುತ್ತದೆ.

ಪ್ರಯೋಜನಗಳು:
- ಪ್ರತಿ ಪುನರಾವರ್ತನೆಯಲ್ಲಿ ತರಬೇತಿಗಾಗಿ ಬಹುತೇಕ ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಅಂದಾಜು ಪಕ್ಷಪಾತವು ಚಿಕ್ಕದಾಗಿರಬಹುದು.

ಕೇಕುರಂಗನ್:
– ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ತುಂಬಾ ದುಬಾರಿ.
- ಪರೀಕ್ಷಾ ಸೆಟ್ ಪ್ರತಿ ಪುನರಾವರ್ತನೆಗೆ ಕೇವಲ ಒಂದು ಬಿಂದುವಾಗಿರುವುದರಿಂದ ಕೆಲವು ರೀತಿಯ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಅಂದಾಜು ವ್ಯತ್ಯಾಸವು ಹೆಚ್ಚಾಗಿರಬಹುದು.

ಬಹಳ ಕಡಿಮೆ ಡೇಟಾ ಇದ್ದಾಗ LOOCV ಅನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರದ ಸಂಶೋಧನೆ.

5. ಪುನರಾವರ್ತಿತ ಕೆ-ಫೋಲ್ಡ್ ಕ್ರಾಸ್ ಮೌಲ್ಯೀಕರಣ
ಈ ವಿಧಾನವು ವಿಭಿನ್ನ (ಯಾದೃಚ್ಛಿಕ) ಪಟ್ಟು ನಿಯೋಜನೆಗಳೊಂದಿಗೆ k- ಪಟ್ಟುಗಳನ್ನು ಹಲವು ಬಾರಿ ಪುನರಾವರ್ತಿಸುತ್ತದೆ. ಒಂದೇ ಪಟ್ಟು ನಿಯೋಜನೆಯ ಮೇಲಿನ ಅವಲಂಬನೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಅಂದಾಜುಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು ಗುರಿಯಾಗಿದೆ.

ಉದಾಹರಣೆಗೆ, "10 ಪಟ್ಟು 3 ಬಾರಿ ಪುನರಾವರ್ತನೆ" ಎಂದರೆ 10 ಪಟ್ಟು 3 ಬಾರಿ ಓಡುವುದು (ಒಟ್ಟು 30 ತರಬೇತಿ ಮತ್ತು ಮೌಲ್ಯಮಾಪನಗಳು).

6. ಸಮಯ ಸರಣಿ ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣ
ಸಮಯ ಸರಣಿಯ ದತ್ತಾಂಶಕ್ಕೆ, ಸಾಂಪ್ರದಾಯಿಕ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವು ಸೂಕ್ತವಲ್ಲ ಏಕೆಂದರೆ ಅದು ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಗೆ "ಭವಿಷ್ಯವನ್ನು ಸೋರಿಕೆ" ಮಾಡಬಹುದು. ಸಮಯ ಸರಣಿಯಲ್ಲಿ, ತಾತ್ಕಾಲಿಕ ಕ್ರಮವನ್ನು ಸಂರಕ್ಷಿಸಬೇಕು. ಆದ್ದರಿಂದ, ಅಂತಹ ವಿಧಾನಗಳು:
– ರೋಲಿಂಗ್/ಸ್ಲೈಡಿಂಗ್ ವಿಂಡೋ: ಆರಂಭಿಕ ಅವಧಿಯಲ್ಲಿ ತರಬೇತಿ ನೀಡಿ ನಂತರ ಮುಂದಿನ ಅವಧಿಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಿ, ನಂತರ ವಿಂಡೋ ಬದಲಾಗುತ್ತದೆ.
- ವಿಸ್ತರಿಸುವ ವಿಂಡೋ: ತರಬೇತಿ ಡೇಟಾ ಕಾಲಾನಂತರದಲ್ಲಿ ಹೆಚ್ಚಾಗುತ್ತದೆ, ನಂತರ ಮುಂದಿನ ಅವಧಿಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ.

ಈ ವಿಧಾನವು ಮಾಸಿಕ ಮಾರಾಟ ಮುನ್ಸೂಚನೆ, ಸ್ಟಾಕ್ ಬೆಲೆಗಳು ಅಥವಾ ನೈಜ-ಸಮಯದ ಸಂವೇದಕಗಳಿಗೆ ಪ್ರಸ್ತುತವಾಗಿದೆ.

ಅಡ್ಡ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಪನಗಳು

ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವು ಕೇವಲ ಮೌಲ್ಯಮಾಪನ ಚೌಕಟ್ಟು; ಬಳಸಿದ ಮೆಟ್ರಿಕ್‌ಗಳು ಸಮಸ್ಯೆಯ ಪ್ರಕಾರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ:
– ಹಿಂಜರಿತ: MSE, RMSE, MAE, R-ಸ್ಕ್ವೇರ್ಡ್.
– ವರ್ಗೀಕರಣ: ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಸ್ಥಾಪನೆ, F1-ಸ್ಕೋರ್, ROC-AUC.
– ಅಸಮತೋಲಿತ ವರ್ಗೀಕರಣ: ROC-AUC, PR-AUC (ನಿಖರತೆ-ಮರುಸ್ಥಾಪನೆ), ಸಮತೋಲಿತ ನಿಖರತೆ.

ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಮೆಟ್ರಿಕ್ ಸರಾಸರಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವಾಗಿ ವರದಿ ಮಾಡಲಾಗುತ್ತದೆ (ಉದಾ., ನಿಖರತೆ 0,89 ± 0,03). ಪ್ರಮಾಣಿತ ವಿಚಲನವು ಮಾದರಿಯ ಸ್ಥಿರತೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್‌ಗಾಗಿ ಕ್ರಾಸ್ ವ್ಯಾಲಿಡೇಶನ್

ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದ ಪ್ರಮುಖ ಉಪಯೋಗಗಳಲ್ಲಿ ಒಂದು ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್. ಉದಾಹರಣೆಗೆ:
– k-NN ನಲ್ಲಿ k ಅನ್ನು ಆರಿಸುವುದು.
– ನಿರ್ಧಾರ ವೃಕ್ಷದಲ್ಲಿ ಗರಿಷ್ಠ ಆಳವನ್ನು ಆಯ್ಕೆಮಾಡಿ.
– ರಿಡ್ಜ್/ಲಾಸ್ಸೊ ರಿಗ್ರೆಷನ್‌ನಲ್ಲಿ ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆಯ ನಿಯತಾಂಕಗಳನ್ನು ನಿರ್ಧರಿಸಿ.
– SVM ನಲ್ಲಿ C ಮತ್ತು ಗಾಮಾವನ್ನು ನಿರ್ಧರಿಸಿ.

ಉತ್ತಮ ಅಭ್ಯಾಸದಲ್ಲಿ, ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಬಳಸಿ ತರಬೇತಿ ದತ್ತಾಂಶದ ಮೇಲೆ ಶ್ರುತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಡೆಸಲಾಗುತ್ತದೆ, ಆದರೆ ಅಂತಿಮ ಪರೀಕ್ಷಾ ದತ್ತಾಂಶವನ್ನು ಅಂತಿಮ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಪ್ರತ್ಯೇಕವಾಗಿ ಇಡಲಾಗುತ್ತದೆ. ಇದು ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ದತ್ತಾಂಶಕ್ಕೆ ಅತಿಯಾಗಿ ಅಳವಡಿಸುವುದರಿಂದ "ಅತಿ-ಆಶಾವಾದ" ವನ್ನು ತಡೆಯುತ್ತದೆ.

ಹೆಚ್ಚು ಕಠಿಣವಾದ ವಿಧಾನವನ್ನು ನೆಸ್ಟೆಡ್ ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ, ಇದು ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಒಳಗೆ ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಆಗಿದೆ: ಹೊರಗಿನ ಲೂಪ್ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ, ಒಳಗಿನ ಲೂಪ್ ಶ್ರುತಿಗಾಗಿ. ಇದು ಸಂಶೋಧನೆಯಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಹೆಚ್ಚು ಪಕ್ಷಪಾತವಿಲ್ಲದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂದಾಜುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣದ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳು

ಮುಖ್ಯ ಅನುಕೂಲಗಳು:
1. ಏಕ ವಿಭಾಗಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ಥಿರವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂದಾಜುಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
2. ದತ್ತಾಂಶವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿ, ವಿಶೇಷವಾಗಿ ದತ್ತಾಂಶ ಸೆಟ್ ಚಿಕ್ಕದಾಗಿದ್ದಾಗ.
3. ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅತಿಯಾಗಿ ಹೊಂದಿಕೊಳ್ಳುವ ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಮಿತಿಗಳು:
1. ತರಬೇತಿಯನ್ನು ಹಲವು ಬಾರಿ ಪುನರಾವರ್ತಿಸುವುದರಿಂದ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚಗಳು ಹೆಚ್ಚಾಗುತ್ತವೆ.
2. ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯನ್ನು ಸರಿಯಾಗಿ ಮಾಡದಿದ್ದರೆ ಡೇಟಾ ಸೋರಿಕೆ ಇನ್ನೂ ಸಂಭವಿಸಬಹುದು.
3. ಗುಂಪುಗೊಳಿಸಿದ ದತ್ತಾಂಶಕ್ಕಾಗಿ (ಉದಾಹರಣೆಗೆ, ಹಲವಾರು ದಾಖಲೆಗಳನ್ನು ಹೊಂದಿರುವ ರೋಗಿಯ ದತ್ತಾಂಶ), ಗುಂಪು ಕೆ-ಫೋಲ್ಡ್‌ನಂತಹ ವಿಶೇಷ ವಿಧಾನದ ಅಗತ್ಯವಿದೆ, ಇದರಿಂದಾಗಿ ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಒಂದೇ ಸಮಯದಲ್ಲಿ ರೈಲು ಮತ್ತು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವುದಿಲ್ಲ.

ಅಡ್ಡ ಮೌಲ್ಯೀಕರಣವನ್ನು ಬಳಸುವಲ್ಲಿ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು

ಮೌಲ್ಯಮಾಪನವು ಮಾನ್ಯವಾಗಬೇಕಾದರೆ, ಹಲವಾರು ಪ್ರಮುಖ ತತ್ವಗಳನ್ನು ಅನುಸರಿಸಬೇಕು:
- ಸಂಪೂರ್ಣ ಡೇಟಾಗೆ ಒಮ್ಮೆ ಅಲ್ಲ, ಪ್ರತಿ ಫೋಲ್ಡ್‌ನೊಳಗೆ ಪೂರ್ವ-ಸಂಸ್ಕರಣೆಯನ್ನು (ಸಾಮಾನ್ಯೀಕರಣ, ಇಂಪ್ಯುಟೇಶನ್, ವೈಶಿಷ್ಟ್ಯ ಆಯ್ಕೆ) ನಿರ್ವಹಿಸಿ. ಇಲ್ಲದಿದ್ದರೆ, ಪರೀಕ್ಷಾ ಫೋಲ್ಡ್‌ನಿಂದ ಮಾಹಿತಿಯು ಟ್ರೈನ್ ಫೋಲ್ಡ್‌ಗೆ ಸೋರಿಕೆಯಾಗಬಹುದು.
– ಅಸಮತೋಲಿತ ವರ್ಗಗಳೊಂದಿಗೆ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಶ್ರೇಣೀಕೃತ k- ಪಟ್ಟು ಬಳಸಿ.
– ಸಮಯ ಸರಣಿಯ ಡೇಟಾಕ್ಕಾಗಿ ವಿಶೇಷ ಯೋಜನೆಯನ್ನು ಬಳಸಿ ಇದರಿಂದ ಆದೇಶವನ್ನು ಉಲ್ಲಂಘಿಸಲಾಗುವುದಿಲ್ಲ.
- ನಿಯೋಜನೆಯ ಮೊದಲು ಮಾದರಿಯ ಅಂತಿಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸುವುದು ನಿಮ್ಮ ಗುರಿಯಾಗಿದ್ದರೆ, ಅಂತಿಮ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಪಕ್ಕಕ್ಕೆ ಇರಿಸಿ.

ಪೆನುಟಪ್

ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚು ನ್ಯಾಯಯುತವಾಗಿ ಮತ್ತು ದೃಢವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅನ್ವಯಿಕ ಅಂಕಿಅಂಶಗಳು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಒಂದು ಮೂಲಭೂತ ಸಾಧನವಾಗಿದೆ. ಪುನರಾವರ್ತಿತ ಡೇಟಾ ಹಂಚಿಕೆಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ, ರೈಲು-ಪರೀಕ್ಷೆಯ ವಿಭಜನೆಯ ಆಯ್ಕೆಯಿಂದ ಉಂಟಾಗುವ ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಪತ್ತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್ ಟ್ಯೂನಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವು ಹೆಚ್ಚಿದ್ದರೂ, ಪ್ರಯೋಜನಗಳು ಹೆಚ್ಚಾಗಿ ಯೋಗ್ಯವಾಗಿರುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಡೇಟಾಸೆಟ್ ಚಿಕ್ಕದಾಗಿದ್ದಾಗ ಅಥವಾ ಮಾದರಿ ಫಲಿತಾಂಶಗಳನ್ನು ಆಧರಿಸಿದ ನಿರ್ಧಾರಗಳು ಗಮನಾರ್ಹ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಿದಾಗ. ಸರಿಯಾದ ರೀತಿಯ ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಶನ್ ಅನ್ನು ಆರಿಸುವ ಮೂಲಕ ಮತ್ತು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಮೂಲಕ, ನೈಜ-ಪ್ರಪಂಚದ ಡೇಟಾದಲ್ಲಿ ಬಳಸಲು ಸಿದ್ಧವಾಗಿರುವ ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಮಾದರಿಗಳನ್ನು ನಾವು ನಿರ್ಮಿಸಬಹುದು.