A maneira mais comum de medir isso \u00e9 usando o erro quadr\u00e1tico m\u00e9dio (MSE), que \u00e9 calculado da seguinte forma:<\/span><\/p>\n MSE = (1\/n)*\u03a3(y i<\/sub> \u2013 f(x i<\/sub> )) 2<\/sup><\/span><\/p>\n Ouro:<\/span><\/p>\n Quanto mais pr\u00f3ximas as previs\u00f5es do modelo estiverem das observa\u00e7\u00f5es, menor ser\u00e1 o MSE.<\/span><\/p>\n Na pr\u00e1tica, usamos o seguinte processo para calcular o MSE de um determinado modelo:<\/span><\/p>\n 1.<\/strong> Divida um conjunto de dados em conjunto de treinamento e conjunto de teste.<\/span> <\/p>\n 2.<\/strong> Crie o modelo usando apenas os dados do conjunto de treinamento.<\/span> <\/p>\n 3.<\/strong> Use o modelo para fazer previs\u00f5es sobre o conjunto de testes e medir o MSE \u2013 isso \u00e9 chamado de MSE de teste<\/strong> . Os testes MSE nos d\u00e3o uma ideia do desempenho de um modelo em dados que n\u00e3o foram vistos antes, ou seja, dados que n\u00e3o foram usados para \u201ctreinar\u201d o modelo.<\/span><\/p>\n No entanto, a desvantagem de usar um \u00fanico conjunto de testes \u00e9 que o teste MSE pode variar significativamente dependendo das observa\u00e7\u00f5es utilizadas nos conjuntos de treinamento e teste.<\/span><\/p>\n \u00c9 poss\u00edvel que, se usarmos um conjunto diferente de observa\u00e7\u00f5es para o conjunto de treinamento e o conjunto de teste, nosso MSE de teste possa ser muito maior ou menor.<\/span><\/p>\n Uma maneira de evitar esse problema \u00e9 ajustar um modelo v\u00e1rias vezes usando um conjunto de treinamento e teste diferente a cada vez e, em seguida, calcular o MSE de teste como a m\u00e9dia de todos os MSEs de teste.<\/span><\/p>\n Este m\u00e9todo geral \u00e9 conhecido como valida\u00e7\u00e3o cruzada e uma forma espec\u00edfica dele \u00e9 conhecida como valida\u00e7\u00e3o cruzada Leave-One-Out<\/strong> .<\/span><\/p>\n A valida\u00e7\u00e3o cruzada deixar um de fora<\/strong> usa a seguinte abordagem para avaliar um modelo:<\/span><\/p>\n 1.<\/strong> Divida um conjunto de dados em um conjunto de treinamento e um conjunto de teste, usando todas as observa\u00e7\u00f5es, exceto uma, como parte do conjunto de treinamento:<\/span> <\/p>\n Observe que deixamos apenas uma observa\u00e7\u00e3o \u201cfora\u201d do conjunto de treinamento. \u00c9 aqui que o m\u00e9todo recebe o nome de valida\u00e7\u00e3o cruzada \u201cdeixar um de fora\u201d.<\/span><\/p>\n 2.<\/strong> Crie o modelo usando apenas os dados do conjunto de treinamento.<\/span> <\/p>\n 3.<\/strong> Utilize o modelo para prever o valor de resposta da observa\u00e7\u00e3o \u00fanica exclu\u00edda do modelo e calcule o MSE.<\/span> <\/p>\n 4.<\/strong> Repita o processo n<\/em> vezes.<\/span><\/p>\n Finalmente, repetimos este processo n<\/em> vezes (onde n<\/em> \u00e9 o n\u00famero total de observa\u00e7\u00f5es no conjunto de dados), deixando de fora uma observa\u00e7\u00e3o diferente do conjunto de treinamento a cada vez.<\/span><\/p>\n Em seguida, calculamos o MSE de teste como a m\u00e9dia de todos os MSEs de teste:<\/span><\/p>\n Teste MSE = (1\/n)*\u03a3MSE i<\/sub><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n A valida\u00e7\u00e3o cruzada deixe um de fora oferece os seguintes benef\u00edcios<\/strong> :<\/span><\/p>\n No entanto, a valida\u00e7\u00e3o cruzada autom\u00e1tica tem as seguintes desvantagens:<\/strong><\/span><\/p>\n Felizmente, a computa\u00e7\u00e3o moderna tornou-se t\u00e3o eficiente na maioria das \u00e1reas que o LOOCV \u00e9 um m\u00e9todo muito mais razo\u00e1vel de usar do que era h\u00e1 muitos anos.<\/span><\/p>\n Observe que LOOCV tamb\u00e9m pode ser usado em contextos de regress\u00e3o e classifica\u00e7\u00e3o<\/a> . Para problemas de regress\u00e3o, calcula o teste MSE como a raiz da diferen\u00e7a quadr\u00e1tica m\u00e9dia entre previs\u00f5es e observa\u00e7\u00f5es, enquanto em problemas de classifica\u00e7\u00e3o calcula o teste MSE como a porcentagem de observa\u00e7\u00f5es classificadas corretamente ao longo dos n<\/em> ajustes repetidos do modelo.<\/span><\/p>\n Os tutoriais a seguir fornecem exemplos passo a passo sobre como executar LOOCV para um determinado modelo em R e Python:<\/span><\/p>\n Valida\u00e7\u00e3o cruzada Leave-One-Out em R<\/a> Para avaliar o desempenho de um modelo em um conjunto de dados, precisamos medir at\u00e9 que ponto as previs\u00f5es feitas pelo modelo correspondem aos dados observados. A maneira mais comum de medir isso \u00e9 usando o erro quadr\u00e1tico m\u00e9dio (MSE), que \u00e9 calculado da seguinte forma: MSE = (1\/n)*\u03a3(y i \u2013 f(x i )) 2 […]<\/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":[],"class_list":["post-1171","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
![\"Treinamento](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv1.png\")
<\/p>\n![\"LOOCV](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv2.png\")
<\/p>\n![\"Conjunto](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv3.png\")
<\/span><\/p>\n Valida\u00e7\u00e3o cruzada Leave-One-Out<\/strong><\/span><\/h3>\n
![\"LOOCV\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv4.png\")
<\/p>\n![\"Construindo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv5.png\")
<\/p>\n![\"Valida\u00e7\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/loocv6.png\")
<\/p>\n\n
Vantagens e desvantagens do LOOCV<\/strong><\/span><\/h3>\n
\n
\n
Como executar LOOCV em R e Python<\/strong><\/span><\/h3>\n
Valida\u00e7\u00e3o cruzada Leave-One-Out em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"