نمودار Cross Validation

🔹 نمودار Cross Validation

مقدمه

Cross Validation یا اعتبارسنجی متقابل، یکی از روش‌های استاندارد برای ارزیابی عملکرد مدل‌های یادگیری ماشین است. هدف اصلی آن، برآورد دقیق دقت مدل روی داده‌های جدید و جلوگیری از Overfitting است.

در k-Fold Cross Validation:

1. داده‌ها به k بخش (Fold) تقسیم می‌شوند.
2. در هر بار، k-1 بخش برای آموزش و 1 بخش برای تست استفاده می‌شود.
3. این روند k بار تکرار می‌شود و میانگین عملکرد به عنوان معیار نهایی گزارش می‌شود.

🔹 نمونه نمودار

یک نمودار معمولی Cross Validation معمولاً شامل موارد زیر است:

• محور افقی: تعداد Foldها یا شماره تکرار
• محور عمودی: دقت (Accuracy)، F1-Score یا معیار ارزیابی دیگر
• خطوط نمودار:
  • خط Training Accuracy (دقت روی داده‌های آموزش)
  • خط Validation Accuracy (دقت روی داده‌های اعتبارسنجی)

مثال تصویری :

🔹 نکات مهم

1. Overfitting Detection: اگر دقت آموزش خیلی بالا و دقت Validation پایین باشد، مدل Overfitting دارد.
2. Bias-Variance Tradeoff: Cross Validation کمک می‌کند تا بهترین تعادل بین Bias و Variance پیدا شود.
3. Mean & Std: معمولاً میانگین و انحراف معیار دقت Validation در تمام Foldها گزارش می‌شود.