Panduan ini akan menjelaskan validasi silang dan cara kerjanya menggunakan Layanan AWS.
Apa itu Validasi Silang?
Cross-Validation memungkinkan pengembang untuk membandingkan berbagai model pembelajaran mesin dan memahami pekerjaan mereka dalam kehidupan nyata. Ini membantu pengguna untuk mengetahui model Machine Learning (ML) atau Deep Learning (DL) mana yang akan bekerja lebih baik untuk satu data atau skenario tertentu. Ada situasi ketika beberapa model dapat digunakan untuk satu kumpulan data, di sini pengembang menggunakan validasi silang untuk mendapatkan model yang sesuai untuk mendapatkan hasil yang optimal:
Bagaimana Cara Kerja Validasi Silang?
Untuk memeriksa model ML pada dataset, pengguna perlu memperkirakan fitur model yang disebut melatih algoritme. Hal lain yang perlu diperiksa adalah evaluasi model untuk mengetahui seberapa baik kinerjanya dan itu disebut pengujian model. Ini bukan ide yang baik untuk menguji model pada semua data, namun kami menggunakan 75% data untuk pelatihan dan 25% untuk pengujian untuk mendapatkan hasil yang lebih baik. Validasi silang melakukan pengujian pada setiap 25% data untuk memeriksa blok mana yang berkinerja terbaik:
Apa itu Amazon SageMaker?
Validasi silang di AWS dapat dilakukan menggunakan layanan Amazon SageMaker karena layanan ini dirancang untuk membangun, melatih, dan menerapkan model pembelajaran mesin. Ini membantu para ilmuwan data dan pengembang menyiapkan data untuk membangun model ML atau DL yang efisien dengan menyatukan kemampuan yang dibangun khusus. Kemampuan ini berguna untuk membangun model yang optimal dan akurat yang akan memiliki kemampuan untuk meningkat seiring waktu:
Fitur Amazon SageMaker
Amazon SageMaker adalah layanan terkelola dan tidak memerlukan pengelolaan lingkungan ML. Perlu banyak data untuk melatih dan membuat model ML agar terhubung dengan baik dengan layanan Amazon S3 atau Amazon Redshift untuk mengumpulkan data. Data mentah bisa jadi sulit untuk mendapatkan informasi sehingga juga memerlukan fitur untuk membuat model. Kemudian gunakan data untuk melatih model dan kemudian lakukan pengujian menggunakan setiap 25% data untuk mendapatkan hasil/prediksi yang lebih baik:
Itu semua tentang validasi silang di AWS.
Kesimpulan
Validasi silang adalah proses mendapatkan pembelajaran mesin atau model pembelajaran mendalam yang optimal untuk data untuk mendapatkan hasil yang lebih baik. Itu akan melakukan pengujian untuk setiap 25% bagian dari data untuk memahami blok mana yang memberikan output maksimum menjadikannya model yang sesuai. AWS menyediakan layanan SageMaker untuk melakukan validasi silang dan membangun model pembelajaran mesin di cloud. Panduan ini telah menjelaskan proses validasi silang dan cara kerjanya di AWS.