Guia per deixar fora d'una persona la validació creuada amb boscos a Python

Bloc

Guia per deixar fora d'una persona la validació creuada amb boscos a Python

He rebut diverses sol·licituds sobre com implementar la validació creuada per a una persona amb boscos aleatoris. He refinat els meus mètodes en una funció i els he publicat a Canalització de descobriment de biomarcadors digitals (DBDP) . Si voleu implementar aquesta validació creuada en el vostre propi treball amb boscos aleatoris, visiteu repositori al DBDP GitHub . El 'procediment' d'utilitzar la funció està ben documentat i només es pot implementar fàcilment una línia en diversos projectes.



Si voleu aprendre a implementar la validació creuada per a una persona en el vostre propi treball (potser més enllà dels boscos aleatoris), continueu. En aquest tutorial, vaig a descriure un procés per implementar la validació creuada de sortida d'una persona a Python.

on puc comprar criptografia celsius?



Què és la validació creuada d'una persona?

Quan creeu un model d’aprenentatge automàtic, és pràctica normal validar la vostra metodologia deixant de banda una part de les vostres dades com a conjunt de proves. És possible que hagueu emprat prèviament una divisió de trens / proves en què heu format les vostres dades en un 80% de les vostres dades i heu retingut el 20% restant de banda per provar el vostre model (el que anomenaríem una divisió de 80:20).

La validació creuada Leave-one-person-out (LOOCV) és un enfocament de validació creuada que utilitza cada persona com a conjunt de proves. És un tipus específic de validació creuada de k-fold, on el nombre de plecs, k, és igual al nombre de participants del vostre conjunt de dades.



Com a exemple, suposem que teniu tres persones al vostre conjunt de dades. Voleu validar el vostre model mitjançant LOOCV. Com es mostra a la figura següent, completareu 3 plecs o iteracions del vostre model. Cada vegada, el model es formaria en dues persones i es provaria amb la persona que quedés fora. Puntuaríeu mitjançant una mètrica d’avaluació per avaluar la precisió o els errors del vostre model.

Després d'iterar i construir un model per a cada plec i provar-lo en una persona única per a cada plec, tindreu tres mètriques d'avaluació diferents, una de cada plec. Per avaluar la precisió de tot el model, prendreu la desviació estàndard mitjana +/- d’aquestes mètriques de precisió.

full de trucs de l’algorisme scikit-learn

# ciència-dades # bosc-aleatori # validació creuada # aprenentatge-automàtic #python

medium.com

Guia per deixar fora d'una persona la validació creuada amb boscos a Python

Guia per deixar fora d'una persona la validació creuada amb boscos a Python. Vaig a descriure un procés per implementar la validació creuada d'una persona a Python.