Ta vodnik bo razložil navzkrižno preverjanje in njegovo delovanje z uporabo storitve AWS.
Kaj je navzkrižno preverjanje?
Navzkrižno preverjanje omogoča razvijalcem, da primerjajo različne modele strojnega učenja in dobijo občutek njihovega delovanja v resničnem življenju. Uporabniku pomaga ugotoviti, kateri model strojnega učenja (ML) ali globokega učenja (DL) bo bolje deloval za določene podatke ali scenarij. Obstajajo situacije, ko je za en nabor podatkov mogoče uporabiti več modelov, tukaj razvijalci uporabljajo navzkrižno preverjanje, da dobijo primeren model in dobijo optimizirane rezultate:
Kako deluje navzkrižno preverjanje?
Za preverjanje modelov ML na naboru podatkov mora uporabnik oceniti značilnosti modela, kar se imenuje usposabljanje algoritma. Druga stvar, ki jo je treba preveriti, je vrednotenje modela, da bi ugotovili, kako dobro deluje, in se imenuje testiranje modela. Ni dobra ideja testirati modela na vseh podatkih, vendar 75 % podatkov uporabimo za usposabljanje in 25 % za testiranje, da bi dobili boljše rezultate. Navzkrižno preverjanje izvaja testiranje na vsakih 25 % podatkov, da preveri, kateri blok deluje najbolje:
Kaj je Amazon SageMaker?
Navzkrižno preverjanje v AWS je mogoče izvesti s storitvijo Amazon SageMaker, saj je zasnovana za izdelavo, usposabljanje in uvajanje modelov strojnega učenja. Znanstvenikom in razvijalcem podatkov pomaga pripraviti podatke za gradnjo učinkovitih modelov ML ali DL z združevanjem namensko izdelanih zmogljivosti. Te zmožnosti so uporabne za izdelavo optimiziranih in natančnih modelov, ki se bodo sčasoma lahko izboljšali:
Funkcije Amazon SageMaker
Amazon SageMaker je upravljana storitev in ne zahteva upravljanja okolij ML. Potrebuje veliko podatkov za usposabljanje in gradnjo modelov ML, tako da se dobro poveže s storitvijo Amazon S3 ali Amazon Redshift za zbiranje podatkov. Iz neobdelanih podatkov je lahko težko pridobiti informacije, zato so potrebne tudi funkcije za izdelavo modelov. Nato uporabite podatke za usposabljanje modelov in nato na njih izvedite preizkuse z uporabo vsakih 25 % podatkov, da dobite boljše rezultate/napovedi:
To je vse o navzkrižnem preverjanju v AWS.
Zaključek
Navzkrižno preverjanje je postopek pridobivanja optimalnega strojnega učenja ali modela globokega učenja za podatke, da bi dobili boljše rezultate. Izvedel bo testiranje za vsak 25-odstotni odsek podatkov, da bi razumel, kateri blok zagotavlja največji rezultat, zaradi česar je ustrezen model za prileganje. AWS ponuja storitev SageMaker za izvajanje navzkrižne validacije in gradnjo modelov strojnega učenja v oblaku. V tem priročniku je razložen postopek navzkrižne validacije in njegovo delovanje v AWS.