Walidacja krzyżowa K-Fold
Uśrednianie wyników dla kolejnych foldów
Walidacja krzyżowa K-Fold to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
One Split, One Worry
A single train/test split gives just one score. If that split was lucky or unlucky, your estimate could be misleading.
The Big Idea
Cross-validation reuses your data many times, testing on a different slice each round, then averages the scores for a steadier estimate.
Cut Into Folds
You chop the data into k equal parts called folds. A common choice is five folds, giving five separate test rounds.
Rotate the Test Fold
Each round, one fold becomes the test set and the other k minus one folds train the model. Then the test fold rotates to the next one.
Everyone Gets a Turn
Over k rounds, every row is tested on exactly once and trained on the rest of the time. No data is wasted. 🔄
Average the Scores
You end with k scores, one per fold. Their average is your headline estimate, and their spread shows how stable the model is.
The Quick Way
scikit-learn does the looping for you. The helper cross_val_score returns one score per fold in a single line.
from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)Read the Result
The returned array holds each fold's score. Take its mean for the headline and its standard deviation to gauge reliability.
print(scores.mean(), scores.std())Choosing k
Five or ten folds are typical. More folds train on more data per round but cost more compute, so it is a speed-versus-stability trade.
Keep Classes Balanced
For classification, use StratifiedKFold so each fold mirrors the overall class balance. scikit-learn applies it automatically for classifiers.
Hold Out a Final Test
Cross-validation guides model choice during development. Still keep one untouched test set aside for a single honest score at the very end.
Quick Check
In 5-fold cross-validation, how often is each row tested?
Recap
Split into k folds, rotate the test fold, and average the scores for a robust estimate. Use cross_val_score, then a final hold-out. 🔄
Często zadawane pytania
Czy lekcja „Walidacja krzyżowa K-Fold” jest bezpłatna?
Tak — pełny tekst „Walidacja krzyżowa K-Fold” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Walidacja krzyżowa K-Fold”?
Uśrednianie wyników dla kolejnych foldów Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.
Ile czasu zajmuje lekcja „Walidacja krzyżowa K-Fold”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Dlaczego wydziela się zbiór testowy
- train_test_split we właściwy sposób
- Walidacja krzyżowa K-Fold
- Zatrzymaj wyciek danych, zanim się zacznie