1. Trainingssatz<\/strong> : Wird zum Trainieren des Modells verwendet.<\/span><\/p>\n 2. Validierungssatz<\/strong> : Wird zur Optimierung der Modellparameter verwendet.<\/span><\/p>\n 3. Testsatz<\/strong> : Wird verwendet, um eine unvoreingenommene Sch\u00e4tzung der endg\u00fcltigen Modellleistung zu erhalten.<\/span><\/p>\n Das folgende Diagramm bietet eine visuelle Erkl\u00e4rung dieser drei verschiedenen Arten von Datens\u00e4tzen:<\/span> <\/p>\n Ein Punkt, der f\u00fcr Studierende Verwirrung stiftet, ist der Unterschied zwischen dem Validierungssatz und dem Testsatz.<\/span><\/p>\n Einfach ausgedr\u00fcckt wird der Validierungssatz<\/strong> zur Optimierung der Modellparameter verwendet, w\u00e4hrend der Testsatz<\/strong> dazu dient, eine unvoreingenommene Sch\u00e4tzung des endg\u00fcltigen Modells bereitzustellen.<\/span><\/p>\n Es kann gezeigt werden, dass die durch k-fache Kreuzvalidierung gemessene Fehlerrate dazu neigt, die tats\u00e4chliche Fehlerrate zu untersch\u00e4tzen, sobald das Modell auf einen unsichtbaren Datensatz angewendet wird.<\/span><\/p>\n Daher passen wir das endg\u00fcltige Modell an den Testsatz an<\/strong> , um eine unvoreingenommene Sch\u00e4tzung der tats\u00e4chlichen Fehlerrate in der realen Welt zu erhalten.<\/span><\/p>\n Das folgende Beispiel veranschaulicht den Unterschied zwischen einem Validierungssatz und einem Testsatz in der Praxis.<\/span><\/p>\n Nehmen wir an, ein Immobilieninvestor m\u00f6chte (1) die Anzahl der Schlafzimmer, (2) die Gesamtquadratfu\u00dfzahl und (3) die Anzahl der Badezimmer verwenden, um den Verkaufspreis eines bestimmten Hauses vorherzusagen.<\/span><\/p>\n Nehmen wir an, er verf\u00fcgt \u00fcber einen Datensatz mit diesen Informationen zu 10.000 H\u00e4usern. Zun\u00e4chst wird der Datensatz in einen Trainingssatz mit 8.000 H\u00e4usern und einen Testsatz mit 2.000 H\u00e4usern aufgeteilt:<\/span> <\/p>\n Anschlie\u00dfend wird viermal ein multiples lineares Regressionsmodell an den Datensatz angepasst. Es werden jedes Mal 6.000 H\u00e4user f\u00fcr den Trainingssatz und 2.000 H\u00e4user f\u00fcr den Validierungssatz verwendet.<\/span><\/p>\n Dies wird als k-fache Kreuzvalidierung bezeichnet.<\/strong><\/span><\/p>\n Der Trainingssatz wird zum Trainieren des Modells und der Validierungssatz zur Bewertung der Leistung des Modells verwendet. F\u00fcr den Validierungssatz wird jedes Mal eine andere Gruppe von 2.000 H\u00e4usern verwendet.<\/span> <\/p>\n Es kann diese k-fache Kreuzvalidierung f\u00fcr mehrere verschiedene Arten von Regressionsmodellen durchf\u00fchren, um das Modell zu identifizieren, das den geringsten Fehler aufweist (d. h. das Modell zu identifizieren, das am besten zum Datensatz passt).<\/span><\/p>\n Erst wenn das beste Modell ermittelt wurde, wird das zu Beginn vorgestellte 2.000-Haus-Testset verwendet, um eine unvoreingenommene Sch\u00e4tzung der endg\u00fcltigen Leistung des Modells zu erhalten.<\/span> <\/p>\n Es k\u00f6nnte beispielsweise einen bestimmten Typ eines Regressionsmodells identifizieren, dessen mittlerer absoluter Fehler 8,345<\/strong> betr\u00e4gt. Das hei\u00dft, die durchschnittliche absolute Differenz zwischen dem prognostizierten Immobilienpreis und dem tats\u00e4chlichen Immobilienpreis betr\u00e4gt 8.345 $.<\/span><\/p>\n Anschlie\u00dfend kann er dieses exakte Regressionsmodell an die noch nicht verwendete Testmenge von 2.000 H\u00e4usern anpassen und feststellen, dass der durchschnittliche absolute Fehler des Modells 8,847<\/strong> betr\u00e4gt.<\/span><\/p>\n Somit betr\u00e4gt die unvoreingenommene Sch\u00e4tzung des wahren mittleren absoluten Fehlers des Modells 8.847 $.<\/span><\/p>\n Eine einfache Anleitung zur K-Fold-Kreuzvalidierung<\/a> Wenn wir einen Algorithmus f\u00fcr maschinelles Lernen an einen Datensatz anpassen, unterteilen wir den Datensatz normalerweise in drei Teile: 1. Trainingssatz : Wird zum Trainieren des Modells verwendet. 2. Validierungssatz : Wird zur Optimierung der Modellparameter verwendet. 3. Testsatz : Wird verwendet, um eine unvoreingenommene Sch\u00e4tzung der endg\u00fcltigen Modellleistung zu erhalten. Das folgende Diagramm bietet […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/test_val1.png\")
<\/p>\n Beispiel: Den Unterschied zwischen Validierungssatz und Testsatz verstehen<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/test_val2.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/test_val3.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/test_val4.png\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine K-Fold-Kreuzvalidierung in Python durch<\/a>
So f\u00fchren Sie eine K-Fold-Kreuzvalidierung in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"