Cross-Validation, (çapraz doğrulama) genellikle sınıflandırma, regresyon ve diğer makine öğrenimi modellerinin performansını değerlendirmek için kullanılır. Sınıflandırmada, modelin farklı veri alt kümeleri üzerinde ne kadar iyi çalıştığını ölçmek için çok yaygın bir tekniktir.
Cross-validation, veri setini birden fazla alt kümeye bölerek modelin performansını daha genel bir şekilde değerlendirmek için kullanılan bir yöntemdir. Bu sayede, modelin aşırı öğrenme (overfitting) yapma ihtimali azalır ve genelleme kapasitesi test edilmiş olur.
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score, KFold
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
# Iris veri setini yükleyelim
iris = load_iris()
X = iris.data
y = iris.target
# Modeli tanımlayalım
lda = LinearDiscriminantAnalysis()
# K-Fold Cross-Validation ayarları (5 katlı)
kfold = KFold(n_splits=5, shuffle=True, random_state=42)
# Cross-Validation ile modeli değerlendirelim
scores = cross_val_score(lda, X, y, cv=kfold)
# Sonuçları görüntüleyelim
print(f"Her Fold'un Doğruluk Oranı: {scores}")
print(f"Ortalama Doğruluk: {scores.mean() * 100:.2f}%")
Birden fazla model arasında seçim yapmak için kullanılır. Hangi modelin daha iyi performans verdiğini test eder.
