Tabla de contenido
¿Qué hace la validación cruzada?
La validación cruzada es una técnica para evaluar modelos de ML mediante el entrenamiento de varios modelos de ML en subconjuntos de los datos de entrada disponibles y evaluarlos con el subconjunto complementario de los datos.
¿Qué ventajas tiene dividir los datos entre datos de entrenamiento y testeo?
Conclusión. La partición de los datos de trabajo en estos dos conjuntos diferenciados permite generar el modelo a partir de los datos de entrenamiento para después comprobar su eficiencia con los datos reservados para test.
¿Qué son los modelos de regresión y cómo se validan?
En estadística, la validación de regresión es el proceso de decidir si los resultados numéricos cuantifican relaciones de hipótesis entre variables obtenidos de análisis de la regresión .
¿Qué es la validación cruzada?
La validación cruzada es una manera de predecir el ajuste de un modelo a un hipotético conjunto de datos de prueba cuando no disponemos del conjunto explícito de datos de prueba. En la validación cruzada de K iteraciones o K-fold cross-validation los datos de muestra se dividen en K subconjuntos.
¿Cómo acelerar la validación cruzada?
En algunos casos como el de mínimos cuadrados o regresión kernel (del núcleo), la validación cruzada se puede acelerar de manera significativa por el pre-cálculo de ciertos valores que son necesarios en varias ocasiones en el entrenamiento, o mediante el uso rápido «reglas de actualización» como la fórmula de Sherman-Morrison.
¿Qué es el informe de validación cruzada?
El informe de validación cruzada muestra el número total de casos usados en cada partición. También puede especificar la cantidad de datos que se usan durante la validación cruzada si especifica el número de casos totales que se van a usar. Los casos se distribuyen de forma uniforme en todos los plegamientos.
¿Qué es la validación cruzada aleatoria?
En la validación cruzada aleatoria a diferencia del método anterior, cogemos muestras al azar durante k iteraciones, aunque de igual manera, se realiza un cálculo de error para cada iteración. El resultado final también lo obtenemos a partir de realizar la media aritmética de los K valores de errores obtenidos, según la misma fórmula: