Den här guiden kommer att förklara korsvalidering och hur den fungerar med AWS Service.
Vad är korsvalidering?
Cross-Validation låter utvecklare jämföra olika maskininlärningsmodeller och få en känsla av hur de fungerar i verkligheten. Det hjälper användaren att ta reda på vilken modell för maskininlärning (ML) eller djupinlärning (DL) som fungerar bättre för en viss data eller scenario. Det finns situationer när flera modeller kan användas för en datauppsättning, här använder utvecklare korsvalidering för att få en passande modell för att få optimerade resultat:
Hur fungerar korsvalidering?
För att kontrollera ML-modellerna på en datauppsättning måste användaren uppskatta funktionerna i modellen som kallas träning av algoritmen. En annan sak att kontrollera är utvärderingen av modellen för att hitta hur väl den presterade och det kallas testning av modellen. Det är ingen bra idé att testa modellen på all data, men vi använder 75% av datan för träning och 25% för att testa för att få bättre resultat. Korsvalidering utför testning på var 25:e % av data för att kontrollera vilket block som presterar bäst:
Vad är Amazon SageMaker?
Korsvalidering i AWS kan göras med Amazon SageMaker-tjänsten eftersom den är designad för att bygga, träna och distribuera maskininlärningsmodeller. Det hjälper datavetare och utvecklare att förbereda data för att bygga effektiva ML- eller DL-modeller genom att sammanföra specialbyggda funktioner. Dessa funktioner är användbara för att bygga optimerade och exakta modeller som har förmågan att förbättras över tid:
Funktioner i Amazon SageMaker
Amazon SageMaker är en hanterad tjänst och den kräver inte hantering av ML-miljöer. Den behöver mycket data för att träna och bygga ML-modeller så den ansluter bra till Amazon S3- eller Amazon Redshift-tjänsterna för att samla in data. Rådata kan vara svårt att få information från så det kräver också funktioner för att bygga modeller. Använd sedan data för att träna modeller och utför sedan tester på den med var 25:e % av data för att få bättre resultat/förutsägelser:
Det handlar om korsvalidering i AWS.
Slutsats
Korsvalidering är processen att få den optimala maskininlärnings- eller djupinlärningsmodellen för att data ska få bättre resultat. Den kommer att utföra testning för varje 25 % sektion av data för att förstå vilket block som ger den maximala uteffekten vilket gör det till en passande modell. AWS tillhandahåller SageMaker-tjänsten för att utföra korsvalidering och bygga maskininlärningsmodeller i molnet. Den här guiden har förklarat korsvalideringsprocessen och hur den fungerar i AWS.