Validasi Silang K-Fold
Merata-ratakan skor di seluruh lipatan
Validasi Silang K-Fold adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Satu Pembagian, Satu Kekhawatiran
Satu pembagian pelatihan/pengujian hanya menghasilkan satu nilai. Jika pembagian itu kebetulan menguntungkan atau merugikan, perkiraan Anda dapat menjadi menyesatkan.
Gagasan Utamanya
Validasi silang menggunakan kembali data Anda berkali-kali, menguji bagian yang berbeda pada setiap putaran, lalu menghitung rata-rata nilainya untuk mendapatkan perkiraan yang lebih stabil.
Bagi Menjadi Lipatan
Anda membagi data menjadi k bagian yang sama besar, yang disebut lipatan. Pilihan yang umum adalah lima lipatan, sehingga ada lima putaran pengujian terpisah.
Putar Lipatan Pengujian
Pada setiap putaran, satu lipatan menjadi kumpulan data pengujian dan k dikurangi satu lipatan lainnya digunakan untuk melatih model. Kemudian lipatan pengujian berganti ke lipatan berikutnya.
Semua Mendapat Giliran
Dalam k putaran, setiap baris diuji tepat satu kali dan digunakan untuk pelatihan pada putaran lainnya. Tidak ada data yang terbuang. 🔄
Hitung Rata-Rata Nilai
Pada akhirnya, Anda memperoleh k nilai, satu untuk setiap lipatan. Rata-ratanya menjadi perkiraan utama, sedangkan rentang nilainya menunjukkan kestabilan model.
Cara Cepat
scikit-learn melakukan perulangan untuk Anda. Fungsi pembantu cross_val_score mengembalikan satu nilai untuk setiap lipatan dalam satu baris.
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)Baca Hasilnya
Array yang dikembalikan berisi nilai setiap lipatan. Ambil mean-nya sebagai nilai utama dan simpangan bakunya untuk mengukur keandalan.
print(scores.mean(), scores.std())Memilih k
Lima atau sepuluh lipatan adalah pilihan umum. Lebih banyak lipatan berarti model dilatih dengan lebih banyak data pada setiap putaran, tetapi membutuhkan lebih banyak komputasi, sehingga ada pertukaran antara kecepatan dan kestabilan.
Jaga Keseimbangan Kelas
Untuk klasifikasi, gunakan StratifiedKFold agar setiap lipatan mencerminkan keseimbangan kelas secara keseluruhan. scikit-learn menerapkannya secara otomatis untuk pengklasifikasi.
Simpan Pengujian Akhir
Validasi silang membantu memilih model selama pengembangan. Namun, tetap sisihkan satu kumpulan data pengujian yang belum disentuh untuk memperoleh satu nilai jujur pada tahap paling akhir.
Pemeriksaan Singkat
Dalam validasi silang 5 lipatan, berapa kali setiap baris diuji?
Ringkasan
Bagi data menjadi k lipatan, putar lipatan pengujian, lalu hitung rata-rata nilainya untuk memperoleh perkiraan yang kuat. Gunakan cross_val_score, lalu lakukan pengujian akhir pada data yang disisihkan. 🔄
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Validasi Silang K-Fold” gratis?
Ya — teks lengkap “Validasi Silang K-Fold” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Validasi Silang K-Fold”?
Merata-ratakan skor di seluruh lipatan Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Validasi Silang K-Fold” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Mengapa Anda Menyisihkan Set Pengujian
- train_test_split dengan Tepat
- Validasi Silang K-Fold
- Hentikan Kebocoran Data Sebelum Terjadi