اعتبار سنجی متقابل در یادگیری ماشین : چگونه آن را درستی انجام بدهیم
در یادگیری ماشین ، تعمیم معمولا به توانایی یک الگوریتم برای موثر بودن در ورودی های مختلف اشاره دارد . این بدان معناست که مدل با کاهش عملکرد در ورودی های جدید از توزیع یکسان داده های آموزشی جلوگیری میکند . برای انسان تعمیم یک امر طبیعی است . ما میتوانیم براحتی انجام دهیم . بعنوان مثال ، ما یک سگ را تشخیص میدهیم ، حتی اگر نژادش را از قبل ندیده باشیم . با این وجود ممکن است برای یک مدل چالش باشد . به همین دلیل است که بررسی توانایی الگوریتم برای تعمیم یک کار بسیار مهم است که در ساخت مدل نیاز به توجه خاصی دارد .
برای این کار از Cross-Validation (CV) استفاده میکنیم .
در این مقاله به موارد زیر خواهیم پرداخت :
• Cross-Validation چیست : تعریف ، هدف استفاده و تکنیک
• تکنیکهای مختلف CV شامل :
hold-out , k-folds , Leave-one-out , Leave-p-out ,
Stratified k-folds , Repeated k-folds , Nested k-folds , Complete CV
• چگونگی استفاده از این تککنیکها : sklearn
• Cross-Validation در یادگیری ماشین : sklearn , CatBoost
• Cross-Validation در یادگیری عمیق : Keras , PyTorch , MxNet
• بهترین شیوه ها و نکات : سری های زمانی ، داده های پزشکی و مالی ، تصاویر
Cross-Validation چیست ؟
Cross-Validation تکنیکی برای ارزیابی یک مدل یادگیری ماشین و آزمایش عملکرد آن است . از CV معمولا در کارهای کاربردی یادگیری ماشین استفاده میشود . این به مقایسه و انتخاب یک مدل مناسب برای مسیله مدل سازی پیش بینی کننده خاص کمکان میکند .
درک CV آسان است ، پیاده سازی آن آسان است ، و تمایل به تعصب کمتری نسبت به سایر روش های مورد استفاده برای شمارش امتیازهای کارایی مدل دارد . همه ی اینها Cross-Validation را به ابزاری قدرتمند برای انتخاب بهترین مدل برای کار خاص تبدیل میکند .
تکنیکهای مختلفی وجود دارد که ممکن است برای Cross-Validation یک مدل استفاده شود . به هر حال همه ی آنها یک الگوریتم مشابه دارند :
• مجموعه داده را به دو بخش تقسیم کنید : یکی برای آموزش ، دیگری برای آزمایش
• مدل را روی مجموعه آموزشی ، آموزش دهید
• اعتبار مدل را در مجموعه آزمایشی تایید کنید
• این مراحل را چند بار تکرار کنید . این اعداد به روش رزومه ای که استفاده میکنید بستگی دارد
همانطور که میدانید تکنیکهای CV زیادی وجود دارند . برخی از آنها پرکاربرد هستند ، برخی دیگر فقط در بخش تیوری کار میکنند . بیایید روشهای Cross-Validation را که در این مقاله به آن پرداخته شده است را بررسی کنیم :
• Hold-out
• K-folds
• Leave-one-out
• Leave-p-out
• Stratified K-folds
• Repeated K-folds
• Nested K-folds
• Complete
Hold-out
Hold-out Cross-Validation ساده ترین و رایج ترین تکنیک است . شاید ندانید که این روش Hold-out است ، اما قطعا هر روز از آن استفاده میکنید .
الگوریتم تکنیک Hold-out :
1) مجموعه داده را به دو بخش مجموعه آموزشی و مجموعه تست تقسیم بندی کنید . معمولا 80% مجموعه داده به مجموعه آموزشی و 20% به مجموعه آزمایشی اختصاص می یابد ، اما میتوانید هر تقسیم بندی که مناسب تر باشد را انتخاب کنید .
2) مدل را روی مجموعه آموزشی آموزش دهید .
3) در مجموعه آزمایشی اعتبار سنجی کنید .
4) نتیجه اعتبار سنجی را ذخیره کنید .
?
خودشه !
ما معمولا از روش Hold-out در مجموعه داده های بزرگ استفاده میکنیم ، زیرا فقط یکبار نیاز به آموزش مدل دارد .
اجرای Hold-out واقعا ساده است . برای مثال ، میتوانید این کار را با استفاده از دستور زیر استفاده کنید :
sklearn.model_selection.train_test_split
import numpy as np
from sklearn.model_selection importtrain_test_split
X, y = np.arange(10).reshape((5, 2)), range(5)
X_train, X_test, y_train, y_test = train_test_split(X, y,
test_size=0.2,
random_state=111)
با این حال ، Hold-out یک نقطه ضعف بزرگ دارد .
به عنوان مثال ، مجموعه داده ای که از نظر توزیع کاملاً یکنواخت نیست در نظر بگیرید . اگر چنین است ، ممکن است پس از تقسیم در یک نقطه ناهموار قرار بگیریم . به عنوان مثال ، اگر مجموعه آموزشی نشان دهنده مجموعه تست نباشد هر دو مجموعه آموزشی و تست ممکن است بسیار متفاوت باشند ، یکی از آنها ممکن است آسان تر یا سخت تر باشد .
علاوه بر این ، این واقعیت که ما مدل خود را فقط یک بار آزمایش می کنیم ممکن است یک گلوگاه برای این روش باشد . با توجه به دلایلی که قبلا ذکر شد ، نتیجه به دست آمده با تکنیک Hold-outممکن است نادرست در نظر گرفته شود .
K-fold
K-fold Cross-Validation تکنیکی است که معایب روش Hold-out را به حداقل می رساند . K-fold روش جدیدی را برای تقسیم مجموعه داده معرفی می کند که به غلبه بر "تست فقط یک بار گلوگاه" کمک می کند .
الگوریتم تکنیک K-fold :
1) تعداد k دسته را انتخاب کنید . معمولاً k یا 5 است یا 10 ،اما میتوانید هر عددی را انتخاب کنید که کمتر از طول مجموعه داده باشد .
2) مجموعه داده را به k قسمت مساوی (در صورت امکان) تقسیم کنید . (به آنها folds گفته می شود)
3) k – 1 folds را بعنوان مجموعه آموزشی انتخاب کنید . foldهای باقیمانده مجموعه آزمایشی خواهد بود .
4) مدل را روی مجموعه آموزشی آموزش دهید . در هر تکرار از Cross-Validation ، باید یک مدل جدید مستقل از مدل آموزش داده شده در تکرار قبلی آموزش دهید .
5) در مجموعه آزمایشی اعتبار سنجی کنید .
6) نتیجه اعتبار سنجی را ذخیره کنید .
7) مراحل 3 تا 6 را k بار تکرار کنید . هر بار از fold باقی مانده به عنوان مجموعه تست استفاده کنید . در پایان ، شما باید مدل را روی هر fold که دارید اعتبارسنجی کرده باشید.
8) برای به دست آوردن امتیاز نهایی ، نتایجی که در مرحله 6 به دست آوردید را میانگین گیری نمایید .
?
برای انجام Cross-Validation ، k-Fold می توانید از sklearn.model_selection.KFold استفاده کنید .
import numpy as np
from sklearn.model_selection import KFold
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([1, 2, 3, 4])
kf = KFold(n_splits=2)
for train_index, test_index inkf.split(X):
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
به طور کلی همیشه بهتر است به جای Hold-out از تکنیک k-Fold استفاده کنید . از آنجایی که آموزش و آزمایش بر روی چندین بخش مختلف مجموعه داده انجام می شود ، به صورت مو به مو ، مقایسه k-Fold نتیجه پایدارتر و قابل اعتمادتری به دست می دهد . اگر تعداد fold ها را برای آزمایش مدل بر روی بسیاری از زیر مجموعه‌های مختلف افزایش دهیم ، میتوانیم امتیاز کلی را قوی‌تر کنیم .
با این حال ، روش k-Fold یک نقطه ضعف دارد . افزایش k منجر به آموزش مدل های بیشتر می شود و فرآیند آموزش ممکن است بسیار گران و زمان بر باشد .
Leave-one-out
Cross-Validation Leave-one-out(LOOCV) یک مورد شدید از K-Fold CV است . تصور کنید کهk برابر با n باشد که nتعداد نمونه های مجموعه داده است . هرمورد k-Fold معادل تکنیک Leave-one-out است .
الگوریتم تکنیک LOOCV :
1) یک نمونه از مجموعه داده را به عنوان مجموعه آموزشی انتخاب کنید .
2) n–1نمونه باقیمانده مجموعه آموزشی خواهد بود .
3) مدل را روی مجموعه آموزشی آموزش دهید . در هر تکرار، یک مدل جدید باید آموزش داده شود .
4) در مجموعه آزمایشی اعتبار سنجی کنید .
5) نتیجه اعتبارسنجی را ذخیره کنید .
6) مراحل 1 تا 5 را n بار تکرار کنید ، همانطور که برای n نمونه، n مجموعه آموزشی و تست متفاوت داریم .
7) برای به دست آوردن امتیاز نهایی ، نتایجی را که در مرحله 5 به دست آوردید ، میانگیری نمایید .
?
برای LOOCV sklearn همچنین یک روش built-in موجود است که می توان آن را در کتابخانه model_selection - sklearn.model_selection.LeaveOneOut پیدا کرد .
import numpy as np
from sklearn.model_selection importLeaveOneOut
X = np.array([[1, 2], [3, 4]])
y = np.array([1, 2])
loo = LeaveOneOut()
for train_index, test_index inloo.split(X):
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
بزرگترین مزیت Cross-Validation ، Leave-one-out این است که داده های زیادی را هدر نمی دهد . ما فقط از یک نمونه از کل مجموعه داده به عنوان یک مجموعه آزمایشی استفاده می کنیم ، در حالی که بقیه مجموعه آموزشی است . اما وقتی با k-Fold CV مقایسه میشود ، LOOCV نیاز به ساخت n مدل به جای kمدل دارد ، می‌دانیم که n که مخفف تعداد نمونه‌های مجموعه داده است بسیار بیشتر از k است . این بدان معناست که LOOCV از نظر محاسباتی گرانتر از k-Fold است ، ممکن است زمان زیادی برای اعتبارسنجی متقابل مدل با استفاده ازLOOCV نیاز باشد.
بنابراین ، جامعه علوم داده یک قاعده کلی بر اساس شواهد تجربی و تحقیقات مختلف دارد که نشان می‌دهد اعتبارسنجی متقابل 5 یا 10 fold CV باید بر LOOCV ترجیح داده شود .
Leave-p-out
Cross-Validation Leave-p-out (LpOC) شبیه LOOCVاست . زیرا تمام مجموعه های آموزشی و آزمایشی ممکن را با استفاده از p نمونه به عنوان مجموعه آزمایشی ایجاد می کند . تمام موارد ذکر شده در مورد LOOCV و برای LpOC درست است .
با این حال ، لازم به ذکر است که بر خلاف LOOCV و k-Foldمجموعه‌های تست برای LpOC اگر p بالاتر از 1 باشد ، همپوشانی دارند .
الگوریتم تکنیک LpOC :
1) نمونه های p را از مجموعه داده انتخاب کنید که مجموعه آزمایشی خواهد بود .
2) n-p نمونه باقیمانده مجموعه آموزشی خواهد بود .
3) مدل را روی مجموعه آموزشی آموزش دهید . در هر تکرار ، یک مدل جدید باید آموزش داده شود .
4) در مجموعه آزمایشی اعتبار سنجی کنید .
5) نتیجه اعتبارسنجی را ذخیره کنید .
6) مراحل 2 تا 5 را Cpn (ترکیب p از n) بار تکرار کنید .
7) برای به دست آوردن امتیاز نهایی ، میانگین نتایجی را که در مرحله 5 به دست آوردید محاسبه نمایید .
میتوانید Leave-p-out CV را با استفاده از sklearn – sklearn.model_selection.LeavePOut انجام دهید .
import numpy as np
from sklearn.model_selection import LeavePOut
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])
y = np.array([1, 2, 3, 4])
lpo = LeavePOut(2)
for train_index, test_index in lpo.split(X):
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
LpOC تمام معایب LOOCV را دارد ، اما ، با این وجود ، به اندازه LOOCV قوی است .
Stratified k-Fold
گاهی اوقات ممکن است با عدم تعادل زیادی در مقدار هدف در مجموعه داده مواجه شویم . به عنوان مثال ، در مجموعه داده‌های مربوط به قیمت ساعت‌های مچی ، ممکن است تعداد بیشتری از ساعت‌های مچی قیمت بالایی داشته باشند . در مورد طبقه‌بندی ، در مجموعه داده‌های گربه‌ها و سگ‌ها ممکن است تغییر زیادی به سمت طبقه سگ وجود داشته باشد .
K-Fold طبقه بندی شده نوعی از تکنیک استاندارد K-Fold CVاست که به گونه ای طراحی شده است که در چنین مواردی از عدم تعادل هدف موثر باشد .
K-Fold به صورت زیر عمل می کند ، Stratified k-Foldمجموعه داده را به k دسته تقسیم می کند به طوری که هر دسته تقریباً دارای درصد مشابهی از نمونه های هر کلاس هدف به عنوان مجموعه کامل است . در مورد رگرسیون ، Stratified k-Fold اطمینان حاصل می کند که میانگین مقدار هدف تقریباً در همه دسته ها برابر است .
الگوریتم تکنیک طبقه بندی k-fold:
1- تعدادی k-fold را انتخاب کنید .
2- مجموعه داده را به k دسته تقسیم کنید . هر fold باید تقریباً دارای درصد مشابهی از نمونه‌های هر کلاس هدف در مجموعه کامل باشد .
3- k–1 foldsرا انتخاب کنید که مجموعه آموزشی خواهد بود . fold باقیمانده مجموعه آزمایشی خواهد بود.
4- مدل را روی مجموعه آموزشی آموزش دهید . در هر تکرار یک مدل جدید باید آموزش داده شود .
5- در مجموعه آزمایشی اعتبار سنجی کنید .
6- نتیجه اعتبارسنجی را ذخیره کنید .
7- مراحل 3 تا 6 را k بار تکرار کنید . هر بار از fold باقی مانده به عنوان مجموعه تست استفاده کنید . در پایان ، شما باید مدل را روی هر fold که دارید اعتبارسنجی کرده باشید .
8- برای به دست آوردن امتیاز نهایی ، میانگین نتایجی که در مرحله 6 به دست آوردید ، محاسبه نمایید .
?
همانطور که ممکن است متوجه شده باشید ، الگوریتم تکنیک Stratified k-Fold مشابه K-Folds استاندارد است . شما نیازی به کدنویسی اضافی ندارید زیرا این روش همه کارهای لازم را برای شما انجام می دهد .
Stratified k-Fold همچنین یک روش داخلی در sklearn دارد - sklearn.model_selection.StratifiedKFold.
import numpy as np
from sklearn.model_selection importStratifiedKFold
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])
skf = StratifiedKFold(n_splits=2)
for train_index, test_index in skf.split(X, y):
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
تمام موارد ذکر شده در بالا در مورد K-Fold CV برای تکنیک Stratified k-Fold صادق است . هنگام انتخاب بین روش های مختلف CV، مطمئن شوید که از روش مناسب استفاده می کنید . به عنوان مثال ، ممکن است فکر کنید که مدل شما عملکرد بدی دارد ، صرفاً به این دلیل که از K-Fold CV برای اعتبارسنجی مدلی استفاده میکنید که بر روی مجموعه داده با عدم تعادل کلاس آموزش داده شده است. برای جلوگیری از آن ، همیشه باید یک تجزیه و تحلیل داده های اکتشافی مناسب روی داده های خود انجام دهید .
Repeated k-Fold
Cross-Validation k-Fold تکراری یا نمونه برداری تصادفی فرعی تکراری احتمالاً قوی ترین تکنیک از تمام تکنیکهای CV در این مقاله است . این یک تغییر از k-Fold است اما در مورد K-Folds تکراری k تعداد fold ها نیست . تعداد دفعاتی است که ما مدل را آموزش خواهیم داد .
ایده کلی این است که در هر تکرار، نمونه‌هایی را به طور تصادفی از سرتاسر مجموعه داده به عنوان مجموعه آزمایشی انتخاب میکنیم . به عنوان مثال ، اگر تصمیم بگیریم که 20٪ از مجموعهداده ها مجموعه آزمایشی ما باشد ، 20٪ نمونه به طور تصادفیانتخاب می شوند و 80٪ بقیه به مجموعه آموزشی تبدیل می شوند.
الگوریتم تکنیک Repeated k-Fold :
1- k را بعنوان تعداد دفعاتی که مدل آموزش داده می شود ، انتخاب کنید .
2- تعدادی نمونه را انتخاب کنید که مجموعه آزمایشی خواهد بود .
3- مجموعه داده را تقسیم کنید .
4- روی مجموعه آموزشی تمرین کنید . در هر تکرار اعتبارسنجی متقاطع ، یک مدل جدید باید آموزش داده شود
5- در مجموعه آزمایشی اعتبار سنجی کنید .
6- نتیجه اعتبارسنجی را ذخیره کنید .
7- مراحل 3 تا 6 را k بار تکرار کنید .
8- برای به دست آوردن امتیاز نهایی ، میانگین نتایجی که در مرحله 6 به دست آوردید ، محاسبه نمایید .
?
K-Fold تکراری مزایای واضحی نسبت به استاندارد k-Fold CV دارد . اولا ، نسبت تقسیم آموزش / آزمایش به تعداد تکرارها بستگی ندارد . ثانیا ، ما حتی می توانیم نسبت های منحصر به فردی را برای هر تکرار تنظیم کنیم . ثالثاً ، انتخاب تصادفی نمونه‌ها از مجموعه داده‌ها، Repeated k-Fold را برای بایاس انتخابی مقاوم می‌سازد .
با این حال ، برخی از معایب وجود دارد k-Fold CV تضمین میکند که مدل روی همه نمونه‌ها آزمایش میشود ، در حالی که K-Fold تکراری بر اساس تصادفی سازی است که به این معنی است که برخی از نمونه‌ها ممکن است هرگز برای قرار گرفتن در مجموعه آزمایش انتخاب نشوند . در همان زمان ، برخی از نمونه ها ممکن است چندین بار انتخاب شوند .
Sklearn به شما در پیاده سازی Repeated k-Fold CV کمک می کند . فقط از sklearn.model_selection.RepeatedKFoldاستفاده کنید . در اجرای sklearn این تکنیک باید تعداد فولدهایی که می خواهید داشته باشید (n_splits ) و تعداد دفعاتی که تقسیم انجام می شود (n_repeats ) را تنظیم کنید . این تضمین می کند که در هر تکرار فولدهای مختلفی داشته باشید .
import numpy as np
from sklearn.model_selection import RepeatedKFold
X = np.array([[1, 2], [3, 4], [1, 2], [3, 4]])
y = np.array([0, 0, 1, 1])
rkf = RepeatedKFold(n_splits=2, n_repeats=2, random_state=42)
for train_index, test_index in rkf.split(X):
print("TRAIN:", train_index, "TEST:", test_index)
X_train, X_test = X[train_index], X[test_index]
y_train, y_test = y[train_index], y[test_index]
Nested k-Fold
برخلاف سایر تکنیکهای CV، که برای ارزیابی کیفیت یک الگوریتم طراحی شده‌اند ، Nested k-Fold CV محبوب ترین راه برای تنظیم پارامترهای یک الگوریتم است .
تصور کنید که ما یک پارامتر p داریم که معمولاً به الگوریتم پایه ای که ما در حال اعتبارسنجی متقابل آن هستیم بستگی دارد . به عنوان مثال ، برای رگرسیون لجستیک ، ممکن است پارامتر جریمه باشد که برای تعیین هنجار مورد استفاده در جریمه استفاده می شود.
الگوریتم تکنیک Nested k-Fold :
1- k را به عنوان تعداد فولدها انتخاب کنید . به عنوان مثال ، 10 :فرض کنیم این عدد را انتخاب کرده ایم .
2- یک پارامتر p را انتخاب کنید . فرض کنید الگوریتم ما رگرسیون لجستیک است و p پارامتر جریمه p = {'l1', 'l2', 'elasticnet', 'none'}
3- مجموعه داده را به 10 fold تقسیم کنید و یکی از آنها را برای آزمایش رزرو کنید .
4- یکی از فولدهای آموزشی را برای اعتبار سنجی رزرو کنید .
5- برای هر مقدار p روی 8 fold آموزشی باقیمانده آموزش دهید و روی فولد اعتبارسنجی ارزیابی کنید . اکنون 4 اندازه گیری دارید .
6- مراحل 4و5 را 9 بار تکرار کنید . بچرخانید که کدام foldآموزشی ، فولد اعتبارسنجی است . اکنون 4 * 9 اندازه گیری دارید .
7- p را انتخاب کنید که میانگین خطای آموزش را روی 9 دسته به حداقل می رساند . از آن p برای ارزیابی روی مجموعه تست استفاده کنید .
8- از مرحله 2 ، 10 بار تکرار کنید و از هر فولد به نوبت به عنوان فولد آزمایش استفاده کنید .
9- میانگین و انحراف معیار اندازه گیری ارزیابی را در 10 foldتست ذخیره کنید .
10- الگوریتمی که بهترین عملکرد را داشت ، الگوریتمی بود که بهترین میانگین عملکرد خارج از نمونه را در 10 fold آزمایشی داشت .
این تکنیک از نظر محاسباتی گران است زیرا در طول مراحل 1 تا 10 تعداد زیادی مدل باید آموزش و ارزیابی شوند . با این حال ، Nested k-Fold CV معمولا استفاده می شود و ممکن است در چندین کار ML واقعاً مؤثر باشد .
متأسفانه ، هیچ روش داخلی در sklearn وجود ندارد که بتواند CV Nested k-Fold را برای شما انجام دهد. این لحظه ای است که شما باید یا گوگل کنید و پیاده سازی شخصی را پیدا کنید یا خودتان آن را کدنویسی کنید.
Complete Cross-Validation
CV کامل کم استفاده ترین تکنیک CV است . ایده کلی این است که ما یک عدد k - طول مجموعه آموزشی را انتخاب می کنیم و روی هر تقسیم ممکن شامل k نمونه در مجموعه آموزشی اعتبار سنجی می کنیم .
مقدار آن تقسیم ها را می‌توان به صورت ترکیب n از k محاسبه کرد که n طول مجموعه داده است . اگر k بالاتر از 2 باشد ، باید مدل خود را چندین بار آموزش دهیم که همانطور که قبلاً متوجه شدیم از نظر زمان فرآیند گران قیمت و از جنبه محاسبات پیچیده است .
به همین دلیل است که از CV کامل یا در تحقیقات نظری استفاده می شود و یا در صورت وجود فرمول مؤثری که به حداقل رساندن محاسبات کمک می کند .
الگوریتم تکنیک Complete Cross-Validation :
1- یک عدد k را به عنوان طول مجموعه آموزشی انتخاب کنید .
2- مجموعه داده را تقسیم کنید .
3- روی مجموعه آموزشی تمرین کنید .
4- در مجموعه آزمایشی اعتبار سنجی کنید .
5- نتیجه اعتبارسنجی را ذخیره کنید .
6- مراحل 2 تا 5 را به اندازه ترکیب n از k تکرار کنید .
7- برای به دست آوردن امتیاز نهایی ، میانگین نتایجی که در مرحله 5 به دست آوردید ، محاسبه نمایید .
Cross-Validation در یادگیری ماشین :
بیشتر تکنیک های اعتبار سنجی متقابل ذکر شده در بالا به طور گسترده در ML استفاده می شود . مهم است که به خاطر داشته باشید که استفاده از تکنیک CV مناسب ممکن است در زمان شما صرفه جویی کند و به انتخاب بهترین مدل برای کار کمک کند .
این بدان معناست که اولا ً، بهتر است همیشه مدل را اعتبارسنجی متقابل کنید و ثانیاً باید یک روش CV مربوطه را انتخاب کنید . بنابراین ، دانستن مزایا و معایب تکنیکهای اعتبارسنجی متقابل حیاتی است .
لازم به ذکر است که اگر می‌خواهید مدل را Cross-Validationکنید ، همیشه باید دفترچه راهنمای مدل را بررسی کنید زیرا برخی از الگوریتم‌های ML ، به عنوان مثال ، CatBoost روشهای CVداخلی خود را دارند. ممکن است آنها را مربوط به وظیفه ML خود بیابید و به جای روش های داخلی sklearn از آنها استفاده کنید.
به طور کلی ، همانطور که ممکن است متوجه شده باشید ، بسیاری از تکنیکهای CV دارای روشهای داخلی sklearnهستند. من به شدت توصیه می کنم از آنها استفاده کنید زیرا این روش ها در زمان برای کارهای پیچیده تر صرفه جویی زیادی می کنند .
Cross-Validation در یادگیری عمیق :
Cross-Validation در یادگیری عمیق (DL ) ممکن است کمی مشکل باشد زیرا اکثر تکنیک های CV حداقل چند بار نیاز به آموزش مدل دارند .
در یادگیری عمیق ، معمولاً به دلیل هزینه‌های مرتبط با آموزش مدل‌های مختلف ، از CV اجتناب میکنید . به جای انجام k-Foldیا سایر تکنیک های CV ، ممکن است از یک زیرمجموعه تصادفی از داده های آموزشی خود به عنوان hold-out برای اهداف اعتبار سنجی استفاده کنید .
به عنوان مثال ، کتابخانه یادگیری عمیق Keras به شما امکان می دهد یکی از دو پارامتر را برای تابع fit که آموزش را انجام می دهد ، ارسال کنید .
validation_split : درصدی از داده هایی که باید برای اعتبار سنجی hold-out شوند .
validation_data : یک تاپل از (X, y) که باید برای اعتبارسنجی استفاده شود . این پارامتر ، پارامتر validation_split را نادیده می گیرد ، به این معنی که شما می توانید تنها یکی از این پارامترها را در یک زمان استفاده کنید .
همین رویکرد در آموزش های رسمی سایر فریمورک های DLمانند PyTorch و MxNet استفاده می شود . آنها همچنین پیشنهاد می کنند مجموعه داده را به سه بخش تقسیم کنید : آموزش ، اعتبار سنجی و آزمایش .
آموزش : بخشی از مجموعه داده برای آموزش
اعتبار سنجی : بخشی از مجموعه داده برای اعتبارسنجی در حین آموزش
آزمایش : بخشی از مجموعه داده برای اعتبار سنجی نهایی مدل
با این حال ، اگر مجموعه داده کوچک است (شامل صدها نمونه) می توانید از اعتبارسنجی متقابل در وظایف DL استفاده کنید . در این مورد ، یادگیری یک مدل پیچیده ممکن است یک کار بی ربط باشد ، بنابراین مطمئن شوید که کار را بیشتر پیچیده نکنید .
بهترین روش ها و نکات :
لازم به ذکر است که گاهی اوقات انجام Cross-Validation ممکن است کمی مشکل باشد .
به عنوان مثال ، اشتباه منطقی هنگام تقسیم مجموعه داده بسیار آسان است که ممکن است منجر به یک CV غیرقابل اعتماد شود .
ممکن است نکاتی را بیابید که باید هنگام Cross-Validation یک مدل همچنان که در زیر آمده مد نظر داشته باشید :
1- هنگام تقسیم داده ها منطقی باشید (آیا روش تقسیم منطقی است)
2- از روش CV مناسب استفاده کنید (آیا این روش برای مورد استفاده من قابل اجرا است)
3- هنگام کار با سری های زمانی ، گذشته را ارزیابی نکنید (به اولین نکته مراجعه کنید)
4- هنگام کار با داده های پزشکی یا مالی ، به یاد داشته باشید که آن را بر اساس شخص تقسیم کنید . از داشتن داده برای یک نفر هم در آموزش و هم در مجموعه تست خودداری کنید زیرا ممکن است به عنوان نشت داده در نظر گرفته شود .
5- هنگام برش تکه‌ها از تصاویر بزرگ‌تر ، به یاد داشته باشید که با شناسه تصویر بزرگ تقسیم کنید .
البته ، نکات از کار به کار متفاوت است و پوشش همه آنها تقریبا غیرممکن است . به همین دلیل است که انجام یک تجزیه و تحلیل داده های اکتشافی جامد قبل از شروع Cross-Validation یک مدل همیشه بهترین روش است .
افکار نهایی :
Cross-Validation ابزار قدرتمندی است . هر دانشمند داده باید با آن آشنا باشد . در زندگی واقعی ، شما نمی توانید پروژه را بدون اعتبارسنجی متقابل یک مدل به پایان برسانید .
به نظر من بهترین تکنیک های CV ، Nested k-Fold و استاندارد k-Fold هستند . من شخصاً از آنها در پروژه تشخیص تقلب استفاده کردم . Nested k-Fold و همچنین GridSeachCV به من کمک کرد تا پارامترهای مدل خود را تنظیم کنم . از طرف دیگر، k-Fold برای ارزیابی عملکرد مدل من استفاده شد .
در این مقاله ، ما متوجه شدیم که اعتبارسنجی متقابل چیست ، چه تکنیکهای CV در طبیعت وجود دارد و چگونه آنها را پیاده‌سازی کنیم . در آینده الگوریتم های ML قطعاً حتی بهتر از امروز عمل خواهند کرد . با این حال ، اعتبار سنجی متقابل همیشه برای پشتیبان گیری از نتایج شما مورد نیاز است .
امیدواریم با این اطلاعات ، مشکلی در تنظیم CV برای پروژه بعدی یادگیری ماشینی خود نداشته باشید .
منابع :
1) https://www.geeksforgeeks.org/cross-validation-machine-learning/
2) https://machinelearningmastery.com/k-fold-cross-validation/
3) https://towardsdatascience.com/cross-validation-in-machine-learning-72924a69872f
4) https://towardsdatascience.com/why-and-how-to-do-cross-validation-for-machine-learning-d5bd7e60c189
5) https://scikit-learn.org/stable/modules/cross_validation.html
