Кросс-валидация в машинном обучении

Кросс-валидация в машинном обучении

🔍 Кросс-валидация - это метод оценки производительности моделей машинного обучения, который позволяет оценить их способность обобщения на новых данных. Он особенно полезен, когда у вас ограниченное количество данных и важно максимально эффективно использовать их для обучения и тестирования модели. Вот примеры кода для выполнения кросс-валидации модели машинного обучения:

1. Использование библиотеки scikit-learn в Python:

   
   from sklearn.model_selection import cross_val_score
   from sklearn import datasets
   from sklearn import svm

iris = datasets.load_iris() X, y = iris.data, iris.target clf = svm.SVC(kernel='linear', C=1) scores = cross_val_score(clf, X, y, cv=5) print('Точность модели:', scores)

2. Использование библиотеки Keras в Python для нейронных сетей:
```python
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import StratifiedKFold
import numpy

# Создание модели
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# Компиляция модели
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Оценка модели с использованием кросс-валидации
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(model, X, Y, cv=kfold)
print('Точность модели:', results.mean())

Эти примеры демонстрируют, как легко и эффективно использовать кросс-валидацию для оценки производительности моделей машинного обучения в различных библиотеках.

Создана 14.11.2023