একটি হোল্ডআউট সেট কি? কখনও কখনও "পরীক্ষা" ডেটা হিসাবে উল্লেখ করা হয়, একটি হোল্ডআউট উপসেট প্রশিক্ষণ এবং যাচাই করার পরে মেশিন লার্নিং মডেলের পারফরম্যান্সের একটি চূড়ান্ত অনুমান প্রদান করে। কোন অ্যালগরিদমগুলি ব্যবহার করতে হবে বা অ্যালগরিদমগুলিকে উন্নত বা টিউন করার জন্য হোল্ডআউট সেটগুলি কখনই ব্যবহার করা উচিত নয়৷
ক্রস যাচাইকরণ কি হোল্ডআউটের চেয়ে ভালো?
ক্রস-ভ্যালিডেশন সাধারণত পছন্দের পদ্ধতি কারণ এটি আপনার মডেলকে একাধিক ট্রেন-টেস্ট স্প্লিটে প্রশিক্ষণের সুযোগ দেয়। এটি আপনাকে একটি ভাল ইঙ্গিত দেয় যে আপনার মডেল অদেখা ডেটাতে কতটা ভাল পারফর্ম করবে। অন্যদিকে, হোল্ড-আউট শুধুমাত্র একটি ট্রেন-পরীক্ষা বিভাজনের উপর নির্ভরশীল৷
হোল্ডআউট পদ্ধতি কি?
হোল্ডআউট পদ্ধতি হল একটি শ্রেণিবিন্যাসকারীকে মূল্যায়ন করার সহজতম পদ্ধতি। এই পদ্ধতিতে, ডেটা সেট (ডেটা আইটেম বা উদাহরণগুলির একটি সংগ্রহ) দুটি সেটে বিভক্ত করা হয়, যাকে ট্রেনিং সেট এবং টেস্ট সেট বলা হয়। একটি শ্রেণীবিভাগকারী একটি নির্দিষ্ট সংগ্রহে একটি টার্গেট বিভাগ বা শ্রেণীতে ডেটা আইটেম বরাদ্দ করার কার্য সম্পাদন করে৷
আমার কি সবসময় ক্রস ভ্যালিডেশন করা উচিত?
সাধারণভাবে ক্রস বৈধতা সর্বদা প্রয়োজন হয় যখন আপনাকে মডেলের সর্বোত্তম পরামিতি নির্ধারণ করতে হবে, লজিস্টিক রিগ্রেশনের জন্য এটি হবে C প্যারামিটার।
কে-ফোল্ড ক্রস যাচাইকরণের সুবিধা কী?
আপনি পরীক্ষা তুলনা করলে- LOOCV-এর তুলনায় K-fold CV-এর ক্ষেত্রে MSE-গুলি ভাল। কে-ফোল্ড সিভি বা কোন সিভি বা রিস্যাম্পলিং পদ্ধতি নয়পরীক্ষার ত্রুটিগুলি উন্নত করুন। তারা পরীক্ষা ত্রুটি অনুমান. কে-ফোল্ডের ক্ষেত্রে, এটি LOOCV এর চেয়ে ভুল অনুমান করার জন্যভালো কাজ করে।
