


Bagaimana untuk membahagikan set data dengan betul? Ringkasan tiga kaedah biasa
Menguraikan set data menjadi set latihan boleh membantu kami memahami model, yang penting untuk cara model membuat generalisasi kepada data baharu yang tidak kelihatan. Sesuatu model mungkin tidak digeneralisasikan dengan baik kepada data baru yang tidak kelihatan jika ia terlalu dipasang. Oleh itu ramalan yang baik tidak boleh dibuat.
Memiliki strategi pengesahan yang betul ialah langkah pertama untuk berjaya mencipta ramalan yang baik dan menggunakan nilai perniagaan model AI. Artikel ini telah menyusun beberapa strategi pemisahan data biasa.
Latihan mudah dan pemisahan ujian
Bahagikan set data kepada 2 bahagian: latihan dan pengesahan, dengan 80% latihan dan 20% pengesahan. Anda boleh melakukan ini menggunakan pensampelan rawak Scikit.
Pertama sekali, benih rawak perlu diperbaiki, jika tidak, pemisahan data yang sama tidak boleh diperoleh dengan perbandingan dan hasilnya tidak boleh dihasilkan semula semasa nyahpepijat. Jika set data kecil, tiada jaminan bahawa pemisahan pengesahan boleh tidak dikaitkan dengan pemisahan latihan. Jika data tidak seimbang, anda tidak akan mendapat nisbah pisah yang sama.
Pemisahan yang begitu mudah hanya boleh membantu kami mengembangkan dan nyahpepijat Latihan sebenar tidak cukup sempurna, jadi kaedah pemisahan berikut boleh membantu kami menamatkan masalah ini.
Pengesahan silang K-lipat
Pisah set data kepada partition k. Dalam imej di bawah, set data dibahagikan kepada 5 partition.
Pilih satu partition sebagai set data pengesahan, manakala partition lain ialah set data latihan. Ini akan melatih model pada setiap set partition yang berbeza.
Akhir sekali, model K yang berbeza akan diperolehi, dan model ini akan digunakan bersama-sama menggunakan kaedah penyepaduan apabila membuat penaakulan dan ramalan kemudian.
K biasanya ditetapkan kepada [3,5,7,10,20]
Jika anda ingin menyemak prestasi model dengan berat sebelah rendah, gunakan K yang lebih tinggi [20]. Jika anda membina model untuk pemilihan pembolehubah, gunakan k rendah [3,5] dan model akan mempunyai varians yang lebih rendah.
Kelebihan:
- Dengan purata ramalan model, anda boleh meningkatkan prestasi model pada data yang tidak kelihatan yang diambil daripada pengedaran yang sama.
- Ini adalah kaedah yang digunakan secara meluas untuk mendapatkan model pengeluaran yang baik.
- Anda boleh menggunakan teknik penyepaduan yang berbeza untuk membuat ramalan bagi setiap data dalam set data dan menggunakan ramalan ini untuk menambah baik model, yang dipanggil OOF (ramalan lipatan luar).
Soalan:
- Jika anda mempunyai set data tidak seimbang, gunakan Stratified-kFold.
- Jika anda melatih semula model pada semua set data, maka anda tidak boleh membandingkan prestasinya dengan mana-mana model yang dilatih dengan k-Fold. Kerana model ini dilatih pada k-1, bukan keseluruhan set data.
Stratified-kFold
boleh mengekalkan nisbah antara kelas yang berbeza dalam setiap lipatan. Jika set data tidak seimbang, katakan Kelas1 mempunyai 10 contoh dan Kelas2 mempunyai 100 contoh. Stratified-kFold mencipta setiap klasifikasi lipatan dengan nisbah yang sama dengan set data asal
Idea ini serupa dengan pengesahan silang K-fold, tetapi dengan nisbah yang sama untuk setiap lipatan seperti set data asal.
Setiap pemisahan mengekalkan nisbah awal antara kelas. Jika set data anda besar, pengesahan silang K-fold juga boleh mengekalkan perkadaran, tetapi ini adalah stokastik, manakala Stratified-kFold adalah deterministik dan boleh digunakan dengan set data kecil.
Bootstrap dan Subsampling
Bootstrap dan Subsampling adalah serupa dengan pengesahan silang K-Fold, tetapi mereka tidak mempunyai lipatan tetap. Ia secara rawak memilih beberapa data daripada set data, menggunakan data lain sebagai pengesahan dan mengulanginya sebanyak n kali
Bootstrap=pensampelan berselang-seli, yang telah kami perkenalkan secara terperinci dalam artikel sebelumnya.
Bilakah saya harus menggunakan dia? Bootstrap dan Subsamlping hanya boleh digunakan jika ralat piawai anggaran ralat metrik adalah besar. Ini mungkin disebabkan oleh outlier dalam set data.
Ringkasan
Biasanya dalam pembelajaran mesin, pengesahan silang k-fold digunakan sebagai titik permulaan Jika set data tidak seimbang, Stratified-kFold digunakan. Bootstrap atau kaedah lain boleh digunakan.
Atas ialah kandungan terperinci Bagaimana untuk membahagikan set data dengan betul? Ringkasan tiga kaedah biasa. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Istilah "tenaga kerja siap sedia" sering digunakan, tetapi apakah maksudnya dalam industri rantaian bekalan? Menurut Abe Eshkenazi, Ketua Pegawai Eksekutif Persatuan Pengurusan Rantaian Bekalan (ASCM), ia menandakan profesional yang mampu mengkritik

Revolusi AI yang terdesentralisasi secara senyap -senyap mendapat momentum. Jumaat ini di Austin, Texas, Sidang Kemuncak Endgame Bittensor menandakan momen penting, beralih ke desentralisasi AI (DEAI) dari teori kepada aplikasi praktikal. Tidak seperti iklan mewah

Perusahaan AI menghadapi cabaran integrasi data Penggunaan perusahaan AI menghadapi cabaran utama: sistem bangunan yang dapat mengekalkan ketepatan dan kepraktisan dengan terus belajar data perniagaan. Microservices NEMO menyelesaikan masalah ini dengan mewujudkan apa yang NVIDIA menggambarkan sebagai "Flywheel Data", yang membolehkan sistem AI tetap relevan melalui pendedahan berterusan kepada maklumat perusahaan dan interaksi pengguna. Toolkit yang baru dilancarkan ini mengandungi lima microservices utama: Nemo Customizer mengendalikan penalaan model bahasa yang besar dengan latihan yang lebih tinggi. NEMO Evaluator menyediakan penilaian ringkas model AI untuk tanda aras tersuai. Nemo Guardrails Melaksanakan Kawalan Keselamatan untuk mengekalkan pematuhan dan kesesuaian

AI: Masa Depan Seni dan Reka Bentuk Kecerdasan Buatan (AI) mengubah bidang seni dan reka bentuk dengan cara yang belum pernah terjadi sebelumnya, dan impaknya tidak lagi terhad kepada amatur, tetapi lebih mempengaruhi profesional. Skim karya seni dan reka bentuk yang dihasilkan oleh AI dengan cepat menggantikan imej dan pereka bahan tradisional dalam banyak aktiviti reka bentuk transaksional seperti pengiklanan, generasi imej media sosial dan reka bentuk web. Walau bagaimanapun, artis dan pereka profesional juga mendapati nilai praktikal AI. Mereka menggunakan AI sebagai alat tambahan untuk meneroka kemungkinan estetik baru, menggabungkan gaya yang berbeza, dan membuat kesan visual baru. AI membantu artis dan pereka mengautomasikan tugas berulang, mencadangkan elemen reka bentuk yang berbeza dan memberikan input kreatif. AI menyokong pemindahan gaya, iaitu menggunakan gaya gambar

Zoom, yang pada mulanya dikenali untuk platform persidangan video, memimpin revolusi tempat kerja dengan penggunaan inovatif AIS AI. Perbualan baru -baru ini dengan CTO Zoom, XD Huang, mendedahkan penglihatan yang bercita -cita tinggi syarikat itu. Menentukan Agentic AI Huang d

Adakah AI akan merevolusikan pendidikan? Soalan ini mendorong refleksi serius di kalangan pendidik dan pihak berkepentingan. Penyepaduan AI ke dalam pendidikan memberikan peluang dan cabaran. Sebagai Matthew Lynch dari Nota Edvocate Tech, Universit

Pembangunan penyelidikan dan teknologi saintifik di Amerika Syarikat mungkin menghadapi cabaran, mungkin disebabkan oleh pemotongan anggaran. Menurut Alam, bilangan saintis Amerika yang memohon pekerjaan di luar negara meningkat sebanyak 32% dari Januari hingga Mac 2025 berbanding dengan tempoh yang sama pada tahun 2024. Pungutan sebelumnya menunjukkan bahawa 75% penyelidik yang ditinjau sedang mempertimbangkan untuk mencari pekerjaan di Eropah dan Kanada. Beratus-ratus geran NIH dan NSF telah ditamatkan dalam beberapa bulan yang lalu, dengan geran baru NIH turun kira-kira $ 2.3 bilion tahun ini, setitik hampir satu pertiga. Cadangan belanjawan yang bocor menunjukkan bahawa pentadbiran Trump sedang mempertimbangkan untuk memotong belanjawan secara mendadak untuk institusi saintifik, dengan kemungkinan pengurangan sehingga 50%. Kegawatan dalam bidang penyelidikan asas juga telah menjejaskan salah satu kelebihan utama Amerika Syarikat: menarik bakat luar negara. 35

OpenAI melancarkan siri GPT-4.1 yang kuat: keluarga tiga model bahasa lanjutan yang direka untuk aplikasi dunia nyata. Lompat penting ini menawarkan masa tindak balas yang lebih cepat, pemahaman yang lebih baik, dan kos yang dikurangkan secara drastik berbanding t


Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

PhpStorm versi Mac
Alat pembangunan bersepadu PHP profesional terkini (2018.2.1).

mPDF
mPDF ialah perpustakaan PHP yang boleh menjana fail PDF daripada HTML yang dikodkan UTF-8. Pengarang asal, Ian Back, menulis mPDF untuk mengeluarkan fail PDF "dengan cepat" dari tapak webnya dan mengendalikan bahasa yang berbeza. Ia lebih perlahan dan menghasilkan fail yang lebih besar apabila menggunakan fon Unicode daripada skrip asal seperti HTML2FPDF, tetapi menyokong gaya CSS dsb. dan mempunyai banyak peningkatan. Menyokong hampir semua bahasa, termasuk RTL (Arab dan Ibrani) dan CJK (Cina, Jepun dan Korea). Menyokong elemen peringkat blok bersarang (seperti P, DIV),

MinGW - GNU Minimalis untuk Windows
Projek ini dalam proses untuk dipindahkan ke osdn.net/projects/mingw, anda boleh terus mengikuti kami di sana. MinGW: Port Windows asli bagi GNU Compiler Collection (GCC), perpustakaan import yang boleh diedarkan secara bebas dan fail pengepala untuk membina aplikasi Windows asli termasuk sambungan kepada masa jalan MSVC untuk menyokong fungsi C99. Semua perisian MinGW boleh dijalankan pada platform Windows 64-bit.

MantisBT
Mantis ialah alat pengesan kecacatan berasaskan web yang mudah digunakan yang direka untuk membantu dalam pengesanan kecacatan produk. Ia memerlukan PHP, MySQL dan pelayan web. Lihat perkhidmatan demo dan pengehosan kami.

EditPlus versi Cina retak
Saiz kecil, penyerlahan sintaks, tidak menyokong fungsi gesaan kod
