Bu kılavuz, çapraz doğrulamayı ve bunun AWS Hizmetini kullanarak çalışmasını açıklayacaktır.
Çapraz Doğrulama nedir?
Çapraz Doğrulama, geliştiricilerin farklı makine öğrenimi modellerini karşılaştırmasına ve gerçek hayatta nasıl çalıştıklarını anlamalarına olanak tanır. Kullanıcının, belirli bir veri veya senaryo için hangi Makine Öğrenimi (ML) veya Derin Öğrenme (DL) modelinin daha iyi çalışacağını anlamasına yardımcı olur. Bir veri kümesi için birden fazla modelin kullanılabileceği durumlar vardır, burada geliştiriciler optimize edilmiş sonuçlar elde etmek için uygun bir model elde etmek için çapraz doğrulama kullanır:
Çapraz Doğrulama Nasıl Çalışır?
Bir veri kümesindeki makine öğrenimi modellerini kontrol etmek için, kullanıcının algoritmayı eğitme adı verilen modelin özelliklerini tahmin etmesi gerekir. Kontrol edilecek başka bir şey, modelin ne kadar iyi performans gösterdiğini bulmak için değerlendirilmesidir ve buna modelin test edilmesi denir. Modeli tüm veriler üzerinde test etmek iyi bir fikir değildir, ancak daha iyi sonuçlar elde etmek için verilerin %75'ini eğitim için ve %25'ini test için kullanıyoruz. Çapraz doğrulama, hangi bloğun en iyi performansı gösterdiğini kontrol etmek için verilerin her %25'inde bir test gerçekleştirir:
Amazon SageMaker nedir?
AWS'de çapraz doğrulama, makine öğrenimi modelleri oluşturmak, eğitmek ve dağıtmak için tasarlanan Amazon SageMaker hizmeti kullanılarak yapılabilir. Veri bilimcilerin ve geliştiricilerin amaca yönelik yetenekleri bir araya getirerek verimli makine öğrenimi veya DL modelleri oluşturmaya yönelik verileri hazırlamasına yardımcı olur. Bu yetenekler, zaman içinde iyileştirme yeteneğine sahip olacak optimize edilmiş ve doğru modeller oluşturmak için kullanışlıdır:
Amazon SageMaker'ın Özellikleri
Amazon SageMaker, yönetilen bir hizmettir ve makine öğrenimi ortamlarının yönetimini gerektirmez. Veri toplamak için Amazon S3 veya Amazon Redshift hizmetleriyle iyi bağlantı kurabilmesi için makine öğrenimi modellerini eğitmek ve oluşturmak için çok fazla veriye ihtiyaç duyar. Ham verilerden bilgi almak zor olabilir, bu nedenle modeller oluşturmak için özellikler de gerektirir. Ardından, modelleri eğitmek için verileri kullanın ve daha sonra daha iyi sonuçlar/tahminler elde etmek için verilerin her %25'ini kullanarak bunlar üzerinde testler yapın:
Hepsi AWS'de çapraz doğrulama ile ilgili.
Çözüm
Çapraz doğrulama, verilerin daha iyi sonuçlar alması için en uygun makine öğrenimi veya derin öğrenme modelini elde etme sürecidir. Hangi bloğun maksimum çıktıyı sağladığını anlamak için verilerin her bir %25'lik bölümü için test gerçekleştirecek ve onu uygun bir model haline getirecektir. AWS, çapraz doğrulama gerçekleştirmek ve bulutta makine öğrenimi modelleri oluşturmak için SageMaker hizmetini sağlar. Bu kılavuz, çapraz doğrulama sürecini ve AWS'de çalışmasını açıklamıştır.