Denne veiledningen vil forklare kryssvalidering og hvordan den fungerer ved bruk av AWS Service.
Hva er kryssvalidering?
Kryssvalidering lar utviklere sammenligne forskjellige maskinlæringsmodeller og få en følelse av hvordan de jobber i det virkelige liv. Det hjelper brukeren å finne ut hvilken maskinlærings- (ML) eller dyp læringsmodell (DL) som vil fungere bedre for en bestemt data eller et scenario. Det er situasjoner når flere modeller kan brukes for ett datasett, her bruker utviklere kryssvalidering for å få en passende modell for å få optimaliserte resultater:
Hvordan fungerer kryssvalidering?
For å sjekke ML-modellene på et datasett, må brukeren estimere funksjonene til modellen som kalles trening av algoritmen. En annen ting å sjekke er evalueringen av modellen for å finne hvor godt den presterte og det kalles testing av modellen. Det er ikke en god idé å teste modellen på alle dataene, men vi bruker 75 % av dataene til trening og 25 % til testing for å få bedre resultater. Kryssvalidering utfører testing på hver 25 % av dataene for å sjekke hvilken blokk som gir best resultater:
Hva er Amazon SageMaker?
Kryssvalidering i AWS kan gjøres ved å bruke Amazon SageMaker-tjenesten ettersom den er designet for å bygge, trene og distribuere maskinlæringsmodeller. Den hjelper dataforskere og utviklere med å forberede data for å bygge effektive ML- eller DL-modeller ved å samle spesialbygde funksjoner. Disse egenskapene er nyttige for å bygge optimaliserte og nøyaktige modeller som vil ha muligheten til å forbedre seg over tid:
Funksjoner i Amazon SageMaker
Amazon SageMaker er en administrert tjeneste og den krever ikke administrasjon av ML-miljøer. Den trenger mye data for å trene og bygge ML-modeller, så den kobles godt sammen med Amazon S3- eller Amazon Redshift-tjenestene for å samle inn data. Rådata kan være vanskelig å få informasjon fra, så det krever også funksjoner for å bygge modeller. Bruk deretter dataene til å trene modeller og utfør deretter tester med hver 25 % av dataene for å få bedre resultater/spådommer:
Det handler om kryssvalidering i AWS.
Konklusjon
Kryssvalidering er prosessen med å få den optimale maskinlærings- eller dyplæringsmodellen for at dataene skal få bedre resultater. Den vil utføre testing for hver 25 % seksjon av dataene for å forstå hvilken blokk som gir maksimal utgang, noe som gjør den til en passende modell. AWS tilbyr SageMaker-tjenesten for å utføre kryssvalidering og bygge maskinlæringsmodeller på skyen. Denne veiledningen har forklart kryssvalideringsprosessen og hvordan den fungerer i AWS.