Wnioskowanie, estymacja i podejmowanie decyzji z danych
Nie powinieneś oceniać skuteczności modelu na podstawie jego błędu treningowego; model już te dane widział, więc może łatwo „oszukiwać”, po prostu ucząc się ich na pamięć. Potrzebujesz określić jego błąd na danych, których nigdy wcześniej nie widział. Niestety, proste odłożenie części danych na jeden zbiór testowy marnuje cenne informacje i daje nam zaszumioną estymację. Rozwiązaniem obu tych problemów jest zastosowanie walidacji krzyżowej (cross-validation).
🔒 This is a Pro lesson — the interactive figure, worked examples, quiz and practice open with Pro access.
▶ Walidacja krzyżowa