Data Science Academy · Ders

K-Katlı Çapraz Doğrulama

Katlar arasındaki puanların ortalamasını alma

K-Katlı Çapraz Doğrulama, CoddyKit'te ücretsiz bir Data Science Academy dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Data Science Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Data Science Academy kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

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. 🔄

Sıkça Sorulan Sorular

“K-Katlı Çapraz Doğrulama” dersi ücretsiz mi?

Evet — “K-Katlı Çapraz Doğrulama” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Data Science Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Data Science Academy kursu toplamda 4 dersten oluşur.

“K-Katlı Çapraz Doğrulama” dersinde ne öğreneceğim?

Katlar arasındaki puanların ortalamasını alma Data Science Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Data Science Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Data Science Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

“K-Katlı Çapraz Doğrulama” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Data Science Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Data Science Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Data Science Academy Sayfasına Dön