Der Aufbau von Machine-Learning-Modellen ist ein wichtiger Bestandteil des prädiktiven Modellierens. Ohne eine ordnungsgemäße Modellvalidierung kann das Vertrauen, dass das trainierte Modell gut auf unbekannten Daten generalisiert, niemals hoch sein. Die Modellvalidierung hilft sicherzustellen, dass das Modell gut auf neuen Daten funktioniert, und unterstützt bei der Auswahl des besten Modells, der Parameter und der Genauigkeitsmetriken.
In diesem Leitfaden lernen wir die Grundlagen und die Implementierung mehrerer Modellvalidierungstechniken, die unten aufgeführt sind:
#Kreuzvalidierung
Hold-Out-Validierung
K-fache Kreuzvalidierung.
Stratifizierte K-fache Kreuzvalidierung
Leave-One-Out-Kreuzvalidierung.
Wiederholte zufällige Test-Train-Splits
Abonnieren Sie meinen Vlogging-Kanal
Bitte spenden Sie, wenn Sie den Kanal über GPay UPID unterstützen möchten,
Gpay: krishnaik06@okicici
Bitte treten Sie als Mitglied in meinen Kanal ein, um zusätzliche Vorteile wie Materialien in Data Science, Live-Streaming für Mitglieder und vieles mehr zu erhalten
Verbinden Sie sich hier mit mir: