K-fold-kryssvalidering
Beregn gjennomsnittet av poengsummene på tvers av foldene.
K-fold-kryssvalidering er en gratis leksjon i Data Science Academy på CoddyKit. Dette er leksjon 3 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Data Science Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Én oppdeling, én bekymring
Én enkelt oppdeling i trening og test gir bare én poengsum. Hvis oppdelingen var heldig eller uheldig, kan estimatet Deres være misvisende.
Hovedideen
Kryssvalidering bruker dataene Deres flere ganger, tester på en annen del i hver runde og beregner deretter gjennomsnittet av poengsummene for et mer stabilt estimat.
Del inn i foldere
De deler dataene i k like store deler, kalt foldere. Et vanlig valg er fem foldere, som gir fem separate testrunder.
Roter testfolderen
I hver runde blir én folder testsettet, mens de øvrige k minus én folderne brukes til å trene modellen. Deretter roteres testfolderen til den neste.
Alle får sin tur
Etter k runder er hver rad testet nøyaktig én gang og brukt til trening resten av tiden. Ingen data blir kastet bort. 🔄
Beregn gjennomsnittet av poengsummene
Til slutt har De k poengsummer, én for hver folder. Gjennomsnittet er hovedestimatet, mens variasjonen viser hvor stabil modellen er.
Den raske måten
scikit-learn håndterer løkkene for Dem. Hjelpefunksjonen cross_val_score returnerer én poengsum per folder i én enkelt linje.
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)Les resultatet
Matrisen som returneres, inneholder poengsummen for hver folder. Ta gjennomsnittet for hovedestimatet, og bruk standardavviket til å vurdere påliteligheten.
print(scores.mean(), scores.std())Velg k
Fem eller ti foldere er vanlig. Flere foldere betyr at modellen trenes på mer data i hver runde, men krever mer beregning, så dette er en avveining mellom hastighet og stabilitet.
Behold klassene balanserte
Ved klassifisering bør De bruke StratifiedKFold, slik at hver folder gjenspeiler den samlede klassebalansen. scikit-learn bruker dette automatisk for klassifikatorer.
Hold tilbake en siste test
Kryssvalidering hjelper Dem med å velge modell under utviklingen. Behold likevel ett uberørt testsett til én ærlig poengsum helt til slutt.
Rask sjekk
I 5-folds kryssvalidering, hvor ofte blir hver rad testet?
Oppsummering
Del inn i k foldere, roter testfolderen og beregn gjennomsnittet av poengsummene for et robust estimat. Bruk cross_val_score og deretter en siste hold-out. 🔄
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «K-fold-kryssvalidering» gratis?
Ja – hele teksten i «K-fold-kryssvalidering» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Data Science Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «K-fold-kryssvalidering»?
Beregn gjennomsnittet av poengsummene på tvers av foldene. Du øver på Data Science Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Data Science Academy?
Ingen tidligere erfaring er nødvendig. Data Science Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.
Hvor lang tid tar leksjonen «K-fold-kryssvalidering»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Data Science Academy-leksjonen?
Ja. Alle Data Science Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Hvorfor du holder av et testsett
- train_test_split på riktig måte
- K-fold-kryssvalidering
- Stopp datalekkasje før den begynner