为什么交叉验证很重要?
在训练模型时,重要的是不要用太复杂或太简单的算法进行过拟合或不充分拟合。您对训练集和测试集的选择对于降低这种风险至关重要。然而,划分数据集以最大化测试结果的学习和有效性是困难的。这就是交叉验证开始实施的地方。交叉验证提供了几种不同分割数据的技术,以找到模型的最佳算法。
交叉验证也有帮助选择最佳性能模型通过使用测试数据集计算误差,该数据集没有被用于训练。测试数据集有助于计算模型的准确性,以及它将如何利用未来的数据进行泛化。
常见的交叉验证技术
有许多技术可以用于交叉验证。最常见的有:
- k-fold:将数据分成k个随机选择的大小大致相同的子集(或折叠)。其中一个子集用于验证使用其余子集训练的模型。这个过程重复k次,以便每个子集只用于验证一次。所有k个分区的平均错误被报告为ε。这是交叉验证中最流行的技术之一,但执行起来需要很长时间,因为模型需要反复训练。下图说明了这个过程。
- 坚持:将数据随机划分为两个指定比例的子集,用于训练和验证。这种方法只执行一次训练和测试,在大数据集上减少了执行时间,但在小数据集上谨慎地解释报告的错误。
- Leaveout:使用k-fold方法对数据进行分区,其中k等于数据中的观测总数,所有数据将作为测试集使用一次。也称为遗漏一交叉验证(LOOCV)。
- 重复随机业者:创建多个随机数据分区,将其用作训练集和测试集蒙特卡罗方法和汇总所有运行的结果。这种技术与k折的想法类似,但每个测试集都是独立选择的,这意味着一些数据点可能被用于不止一次的测试。
- 分层:对数据进行分区,使训练集和测试集在响应或目标中具有大致相同的类比例。
- Resubstitution:不对数据进行分区,所有数据都用于训练模型。误差是通过将结果与实际值进行比较来评估的。这种方法通常会对性能产生过于乐观的估计,如果有足够的数据,应该避免使用这种方法。
交叉验证可能是一个计算密集型操作,因为训练和验证要进行多次。然而,在模型开发中,降低模型过拟合或欠拟合的风险是至关重要的一步。因为每个分区集都是独立的,所以可以并行执行此分析以加快进程。对于较大的数据集,推荐使用拒绝或重替换等技术,而其他技术更适合于较小的数据集,如k-fold和重复随机子抽样。
交叉验证与MATLAB
为了提高计算密集型操作的速度,您可以在多核计算机、gpu和集群上执行并行计算并行计算工具箱™.
有关使用的交叉验证的更多信息机器学习问题,请参见统计和机器学习工具箱™和深度学习工具箱™用于MATLAB。