Пропустить перекрестную проверку. Это еще один метод перекрестной проверки, о котором я хотел упомянуть и рассказать. Это может быть сокращено как LOOCV и очень связано с K-fold.
LOOCV — это метод перекрестной проверки, в котором размер складки равен «1», а «k» задается количеством наблюдений в данных. Этот вариант полезен, когда обучающие данные имеют ограниченный размер и количество тестируемых параметров ограничено.
В случае использования sklearn для одного и того же процесса мы можем использовать model_selection.LeaveOneOut(), чтобы разделить данные нашего обучения и тестирования на основе критериев LOOCV. Я буду обсуждать и проводить сравнительный анализ в своих будущих блогах, сравнивая K-Fold и несколько других методов перекрестной проверки.
Приведенное ниже короткое видео очень хорошо представляет концепцию.
Этот алгоритм обучения применяется один раз для каждого экземпляра, используя все остальные экземпляры в качестве обучающего набора и используя выбранный экземпляр в качестве тестового набора с одним элементом.
Количество возможных комбинаций равно количеству точек данных в исходной выборке или n. Перекрестная проверка — очень полезный метод для оценки эффективности вашей модели, особенно в тех случаях, когда вам нужно смягчить переобучение.
Это все на сегодня. Спасибо за чтение. Продолжай учиться.
Ваше здоровье.
