leave-one-out cross-validation
En krydsvalideringsteknik hvor modellen trænes på alle dataundtagen én observation, som bruges til test, og dette gentages for hver observation.
Kort fortalt
En metode til at evaluere en models ydeevne ved at træne på alle data på nær én og teste på den ene, og gentage for alle datapunkter.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
En specifik form for krydsvalidering hvor antallet af fold er lig med antallet af observationer, så hver fold består af én testobservation.
- Ved brug af leave-one-out cross-validation på et datasæt med 100 observationer trænes modellen 100 gange.
- Leave-one-out cross-validation giver ofte en lav bias men høj varians i estimatet.
Hvornår bruges det
Bruges når datasættet er lille, da det giver en næsten unbiased estimat af modellens generaliseringsevne, men det er beregningstungt for store datasæt.
Kodeeksempel
from sklearn.model_selection import LeaveOneOut
X = [1, 2, 3, 4]
loo = LeaveOneOut()
for train_index, test_index in loo.split(X):
print("Train:", train_index, "Test:", test_index)Eksempel på brug af LeaveOneOut fra scikit-learn.
Oprindelse
Fra 'leave-one-out' (efterlader én ude) og 'cross-validation' (krydsvalidering), en metode introduceret som en ekstrem form for k-fold krydsvalidering.