Cross-Validation richtig durchführen
Eine verlässliche Leistungsschätzung erhalten
Cross-Validation richtig durchführen ist eine kostenlose NLP Academy-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des NLP Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
One Split Is Risky
A single train-test split can flatter or punish your model by luck. Cross-validation averages many splits for a score you can trust.
The K-Fold Idea
K-fold cross-validation slices your data into k equal parts, then trains on k-1 and tests on the one held out, rotating each time.
Every Row Gets Tested
Across the k rounds, every example is used for testing exactly once. You get k scores instead of one fragile number.
Average and Spread
Report the mean of the k scores as your estimate, and the standard deviation to show how stable that performance really is.
Run It in Python
scikit-learn handles the whole loop with one helper that returns a score per fold.
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)Keep Classes Balanced
For classification use stratified folds so each fold keeps the same class ratio, which matters most on imbalanced data.
from sklearn.model_selection import StratifiedKFold
cv = StratifiedKFold(n_splits=5)Beware Data Leakage
Leakage means test information sneaks into training, inflating your score. Fit scalers and vectorizers inside each fold, never before.
Pipelines Prevent Leakage
Wrap preprocessing and the model in a Pipeline so every fold refits the transforms only on its own training portion. Clean and safe.
Choosing K
Five or ten folds are common. More folds give a steadier estimate but cost more compute, since the model retrains for every fold.
Tuning the Honest Way
When picking hyperparameters, search them inside cross-validation. GridSearchCV ties tuning and validation together so results stay honest.
Hold Out a Final Test
Even with cross-validation, keep one untouched test set for a final check. It confirms the estimate on data the search never saw.
Quick Check
Why does cross-validation beat a single split?
Recap
Cross-validation rotates folds for a reliable score. Use stratified folds, guard against leakage with pipelines, and keep a final test set. ✅
Häufig gestellte Fragen
Ist die Lektion „Cross-Validation richtig durchführen“ kostenlos?
Ja — der vollständige Text von „Cross-Validation richtig durchführen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des NLP Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der NLP Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Cross-Validation richtig durchführen“?
Eine verlässliche Leistungsschätzung erhalten Du übst NLP Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um NLP Academy zu starten?
Keine Vorkenntnisse erforderlich. NLP Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Cross-Validation richtig durchführen“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser NLP Academy-Lektion Code schreiben und ausführen?
Ja. Jede NLP Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Warum Genauigkeit täuschen kann
- Precision, Recall und F1
- Die Konfusionsmatrix lesen
- Cross-Validation richtig durchführen