⚠️چرا اعتبارسنجیِCross Validation از یک تقسیم سادهٔ داده‌های آموزش/تست، بهتر است؟

● فرض کنید یک سکه را ۱۰ بار پرتاب می‌کنید. ممکن است ۸ بار شیر بیاید.
آیا این به این معناست که سکه جانبدارانه/بایاس‌دار یا معیوب است؟
لزومی ندارد چنین باشد.

●یک بار تقسیم داده‌ها به مجموعهٔ آموزش (Train) و آزمون (Test) نیز می‌تواند برآوردی گمراه‌کننده از عملکرد مدل به شما بدهد.
●در روش اعتبارسنجی متقاطع (Cross Validation)، این فرایند چندین بار و با تقسیم‌بندی‌های متفاوت داده‌ها تکرار می‌شود. به جای آنکه به یک نتیجهٔ تصادفی یا از سر خوش‌شانس اعتماد کنیم، میانگین عملکرد مدل را در چندین آزمایش مختلف اندازه‌گیری می‌کنیم.

🤖به همین دلیل، Cross Validation معمولاً تخمین بسیار دقیق‌تر و قابل‌اعتمادتری از عملکرد واقعی مدل روی داده‌های جدید و دیده‌نشده ارائه می‌دهد
#KFoldCrossValidation
#CrossValidation
#ML
@toobabigdatascience