Cross-Validation

Çapraz doğrulama (cross-validation), bir modelin görünmeyen veri üzerindeki genelleme performansını, sınırlı bir veri kümesini daha güvenilir ve istikrarlı biçimde değerlendirmek için kullanılan bir yöntemdir. En yaygın biçimi olan k-kat (k-fold) çapraz doğrulamada, veri kümesi rastgele k eşit parçaya bölünür; model k kez eğitilir, her seferinde parçalardan biri test kümesi olarak ayrılırken kalan k-1 parça eğitim için kullanılır. Bu işlem sonunda elde edilen k farklı performans skorunun ortalaması ve standart sapması, modelin gerçek performansına dair tek bir veri bölünmesine dayanan basit bir train/test ayrımından çok daha güvenilir bir tahmin sunar.

Bu yöntemin önemi, özellikle veri kümesinin küçük olduğu durumlarda ortaya çıkar: veriyi tek bir sabit eğitim ve test kümesine ayırmak, hangi örneklerin test için seçildiğine bağlı olarak şans eseri yanıltıcı sonuçlar verebilir; çapraz doğrulama bu rastlantısallığı, verinin her parçasının en az bir kez test için kullanılmasını sağlayarak azaltır. Çapraz doğrulama ayrıca hiperparametre ayarlama sürecinde farklı ayarların gerçek genelleme performansını adil biçimde karşılaştırmak için de yaygın olarak kullanılır; zaman serisi gibi sıralı verilerde ise standart k-fold yerine kronolojik sırayı koruyan özel varyantlar tercih edilir.