Validação cruzada em K partes
Calculando a média das avaliações entre as partes.
Validação cruzada em K partes é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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. 🔄
Perguntas Frequentes
A aula “Validação cruzada em K partes” é grátis?
Sim — o texto completo de “Validação cruzada em K partes” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.
O que vou aprender em “Validação cruzada em K partes”?
Calculando a média das avaliações entre as partes. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Data Science Academy?
Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Validação cruzada em K partes”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Data Science Academy?
Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Por que separar um conjunto de teste
- Usar train_test_split corretamente
- Validação cruzada em K partes
- Impedir o vazamento de dados antes que comece