מדריך זה יסביר אימות צולב ואת פעולתו באמצעות שירות AWS.
מהו אימות צולב?
Cross-Validation מאפשר למפתחים להשוות בין מודלים שונים של למידת מכונה ולקבל תחושה של עבודתם בחיים האמיתיים. זה עוזר למשתמש להבין איזה מודל של Machine Learning (ML) או Deep Learning (DL) יעבוד טוב יותר עבור נתונים או תרחיש מסוים אחד. ישנם מצבים שבהם ניתן להשתמש במספר מודלים עבור מערך נתונים אחד, כאן מפתחים משתמשים באימות צולב כדי לקבל מודל מתאים כדי לקבל תוצאות מיטובות:
איך עובד אימות צולב?
כדי לבדוק את המודלים של ML על מערך נתונים, המשתמש צריך להעריך את התכונות של המודל שנקרא אימון האלגוריתם. דבר נוסף שצריך לבדוק הוא הערכת המודל כדי למצוא את ביצועיו וזה נקרא בדיקה של המודל. זה לא רעיון טוב לבדוק את המודל על כל הנתונים עם זאת, אנו משתמשים ב-75% מהנתונים לאימון ו-25% לבדיקה כדי לקבל תוצאות טובות יותר. אימות צולב מבצע בדיקות על כל 25% מהנתונים כדי לבדוק איזה בלוק מניב את הביצועים הטובים ביותר:
מה זה Amazon SageMaker?
אימות צולב ב-AWS יכול להיעשות באמצעות שירות Amazon SageMaker שכן הוא נועד לבנות, לאמן ולפרוס מודלים של למידת מכונה. זה עוזר למדעני נתונים ומפתחים להכין נתונים לבניית מודלים יעילים של ML או DL על ידי חיבור יכולות ייעודיות. יכולות אלו שימושיות לבניית מודלים מותאמים ומדויקים שיהיו בעלי יכולת להשתפר לאורך זמן:
תכונות של Amazon SageMaker
Amazon SageMaker הוא שירות מנוהל והוא אינו דורש ניהול של סביבות ML. הוא זקוק להרבה נתונים כדי לאמן ולבנות מודלים של ML כך שהוא מתחבר היטב לשירותי Amazon S3 או Amazon Redshift כדי לאסוף נתונים. נתונים גולמיים עשויים להיות קשים להשגת מידע ולכן הם דורשים גם תכונות לבניית מודלים. לאחר מכן השתמש בנתונים כדי לאמן מודלים ולאחר מכן בצע עליהם בדיקות תוך שימוש בכל 25% מהנתונים כדי לקבל תוצאות/תחזיות טובות יותר:
זה הכל לגבי אימות צולב ב-AWS.
סיכום
אימות צולב הוא תהליך של קבלת מודל למידת מכונה או למידה עמוקה האופטימלית עבור הנתונים כדי להשיג תוצאות טובות יותר. הוא יבצע בדיקות עבור כל 25% מקטע של הנתונים כדי להבין איזה בלוק מספק את הפלט המקסימלי מה שהופך אותו למודל התאמה מתאים. AWS מספקת את שירות SageMaker לביצוע אימות צולב ובניית מודלים של למידת מכונה בענן. מדריך זה הסביר את תהליך האימות הצול ועבודתו ב-AWS.