Овај водич ће објаснити унакрсну валидацију и њен рад помоћу АВС услуге.
Шта је унакрсна провера?
Унакрсна валидација омогућава програмерима да упореде различите моделе машинског учења и стекну осећај њиховог рада у стварном животу. Помаже кориснику да схвати који ће модел машинског учења (МЛ) или дубоког учења (ДЛ) боље функционисати за одређене податке или сценарио. Постоје ситуације када се више модела може користити за један скуп података, овде програмери користе унакрсну проверу да би добили модел који одговара да би добили оптимизоване резултате:
Како функционише унакрсна валидација?
Да би проверио МЛ моделе на скупу података, корисник треба да процени карактеристике модела што се назива обука алгоритма. Још једна ствар коју треба проверити је евалуација модела како би се утврдило колико је добро радио и то се зове тестирање модела. Није добра идеја тестирати модел на свим подацима, међутим, користимо 75% података за обуку и 25% за тестирање да бисмо добили боље резултате. Унакрсна валидација врши тестирање на сваких 25% података како би проверила који блок има најбољи учинак:
Шта је Амазон СагеМакер?
Унакрсна провера у АВС-у се може обавити помоћу услуге Амазон СагеМакер јер је дизајнирана за изградњу, обуку и примену модела машинског учења. Помаже научницима и програмерима података да припреме податке за изградњу ефикасних МЛ или ДЛ модела спајањем наменски изграђених могућности. Ове могућности су корисне за изградњу оптимизованих и тачних модела који ће имати могућност да се побољшају током времена:
Карактеристике Амазон СагеМакер-а
Амазон СагеМакер је сервис којим се управља и не захтева управљање МЛ окружењима. Потребно му је много података за обуку и изградњу МЛ модела, тако да се добро повезује са услугама Амазон С3 или Амазон Редсхифт за прикупљање података. Може бити тешко добити информације од необрађених података, тако да су такође потребне функције за прављење модела. Затим користите податке за обуку модела, а затим извршите тестове на њима користећи сваких 25% података да бисте добили боље резултате/предвиђања:
То је све о унакрсној валидацији у АВС-у.
Закључак
Унакрсна валидација је процес добијања оптималног модела машинског учења или дубоког учења како би подаци добили боље резултате. Он ће извршити тестирање за сваки одељак од 25% података да би разумео који блок обезбеђује максималан излаз, што га чини одговарајућим моделом за уклапање. АВС пружа услугу СагеМакер за обављање унакрсног провера и прављење модела машинског учења у облаку. Овај водич је објаснио процес унакрсне провере и његов рад у АВС-у.