Какие существуют методы валидации данных в машинном обучении?

Некоторые методы валидации данных в машинном обучении:

• Разделение на обучающую и тестовую выборки. 4brain.ru www.clickworker.com Это базовый тип валидации, при котором данные делятся на две группы: для обучения и тестирования. www.clickworker.com
• Кросс-валидация. hub.exponenta.ru www.clickworker.com Метод оценки модели, который помогает проанализировать эффективность алгоритма при составлении прогнозов на новых наборах данных, на которых он не обучался. hub.exponenta.ru
• K-блочная кросс-валидация (K-Fold Cross-Validation). blog.skillfactory.ru Данные делятся на несколько равных частей: одна используется для проверки, остальные — для обучения. blog.skillfactory.ru Процесс повторяется столько раз, на сколько частей поделили данные. blog.skillfactory.ru
• Стратифицированная K-блочная кросс-валидация (Stratified K-Fold Cross-Validation). blog.skillfactory.ru Проводится аналогично K-блочной кросс-валидации, но с учётом пропорции классов в каждом блоке. blog.skillfactory.ru Используется, когда данные имеют несбалансированные классы. blog.skillfactory.ru
• Оставить-P-выборок (Leave-P-Out Cross-Validation). blog.skillfactory.ru При этом типе валидации в каждой итерации из датасета удаляется P объектов для тестирования, а остальные используются для обучения. blog.skillfactory.ru
• Проверка повторной подстановкой (resubstitution). hub.exponenta.ru Все данные используются для обучения модели, а не разбиваются на части. hub.exponenta.ru Ошибка оценивается путём сравнения результатов с фактическими значениями. hub.exponenta.ru