складність 2/5
Cross-validation
Поділ даних на k частин, де кожна частина по черзі стає тестовою вибіркою, так що кожен зразок прогнозує модель, яка його не бачила — і оцінка спирається на всі дані, а не на один вдалий поділ.
Інтуїція
Оцінювати модель на даних, до яких її підганяли, — це вимірювати пам’ять, а не навчання. Бібліотека каже це без пом’якшень: «навчати параметри функції прогнозування й тестувати її на тих самих даних — методологічна помилка» [2, §3.1].
Відкладена тестова вибірка це виправляє й одразу створює дві нові проблеми. Оцінка тепер залежить від того, які рядки випадково потрапили до тестової вибірки, і кожен відкладений рядок — це рядок, на якому не можна навчатися, а це реальна втрата, коли даних мало.
Перехресна перевірка — очевидний компроміс, і вона справді дотепна: обертати відкладену частину. Поділіть на k частин, навчіть k разів і щоразу оцінюйте на тій частині, яку залишили осторонь. Кожен зразок прогнозує модель, яка його не бачила, і кожен зразок так само бере участь у навчанні в решті k−1 раундів. Ніщо не марнується, а оцінка усереднюється за k різними поділами замість довіри до одного.
Чим вона не є — так це вимірюванням вашої моделі. Саме це майже всі розуміють навпаки, і цьому присвячено розділ нижче.
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
На шпаргалці: Validation and generalisation →
Джерела
- Cross-validation: what does it estimate and how well does it do it? (2023)paperhttps://ar5iv.labs.arxiv.org/html/2104.00673
- scikit-learn User Guide — Cross-validation: evaluating estimator performancedocs · звірено 2026-09-06https://scikit-learn.org/stable/modules/cross_validation.html