Modelo de validación cruzada
En este artículo se describe cómo usar el componente de validación cruzada del diseñador de Azure Machine Learning. La validación cruzada es una técnica que se usa a menudo en el aprendizaje automático para evaluar la variabilidad de un conjunto de datos y la confiabilidad de cualquier modelo entrenado con ellos.
El componente del modelo de validación cruzada toma como entrada un conjunto de datos con etiquetas, junto con un modelo de clasificación o regresión no entrenado. Divide el conjunto de datos en varios subconjuntos (plegamientos), crea un modelo en cada plegamiento y, a continuación, devuelve un conjunto de estadísticas de precisión para cada plegamiento. Al comparar las estadísticas de precisión de todos los pliegues, puede interpretar la calidad del conjunto de datos. Después sabrá si el modelo es susceptible a variaciones en los datos.
El modelo de validación cruzada también devuelve probabilidades y resultados previstos para el conjunto de datos, por lo que podrá evaluar la confiabilidad de las predicciones.
Funcionamiento de la validación cruzada
La validación cruzada divide aleatoriamente los datos de entrenamiento en pliegues.
El algoritmo se establece de forma predeterminada en 10 plegamientos si no ha particionado previamente el conjunto de datos. Para dividir el conjunto de datos en un número diferente de plegamientos, puede usar el componente de partición y ejemplo e indicar cuántos plegamientos quiere usar.
El componente reserva los datos del pliegue 1 para su uso en la validación. (A esta operación a veces se le denomina plegamiento de exclusión). El componente usa los plegamientos restantes para entrenar un modelo.
Por ejemplo, si crea cinco plegamientos, el componente genera cinco modelos durante la validación cruzada. El componente entrena cada modelo con cuatro quintos de los datos. Prueba cada modelo en el quinto restante.
Durante las pruebas del componente para cada pliegue, el módulo evalúa varias estadísticas de precisión. Las estadísticas que usa el componente dependen del tipo de modelo que se está evaluando. Se usan estadísticas diferentes para evaluar los modelos de clasificación y los modelos de regresión.
Cuando el proceso de compilación y evaluación se completa para todos los pliegues, el modelo de validación cruzada genera un conjunto de métricas de rendimiento y resultados puntuados de todos los datos. Revise estas métricas para ver si un pliegue tiene precisión alta o baja.
Ventajas de la validación cruzada
Una forma diferente y común de evaluar un modelo es dividir los datos en un conjunto de entrenamiento y prueba mediante Split Data (Dividir datos) y, a continuación, validar el modelo en los datos de entrenamiento. Sin embargo, la validación cruzada ofrece algunas ventajas:
La validación cruzada utiliza más datos de prueba.
La validación cruzada mide el rendimiento del modelo con los parámetros especificados en un espacio de datos mayor. Es decir, la validación cruzada utiliza todo el conjunto de datos de entrenamiento para el entrenamiento y la evaluación, en lugar de una parte. Por el contrario, si valida un modelo usando los datos generados a partir de una división aleatoria, se suele evaluar el modelo solo con un 30 % o menos de los datos disponibles.
Sin embargo, dado que la validación cruzada entrena y valida el modelo varias veces con un conjunto de datos mayor, es mucho más intensivo a nivel computacional y tarda mucho más tiempo que la validación con una división aleatoria.
La validación cruzada evalúa el conjunto de datos y el modelo.
La validación cruzada no mide simplemente la precisión de un modelo, sino que también ofrece alguna idea sobre lo representativo que es el conjunto de datos y el grado de vulnerabilidad del modelo a variaciones en los datos.
Cómo usar el modelo de validación cruzada
La validación cruzada puede tardar mucho tiempo en ejecutarse si el conjunto de caracteres es grande. Por lo tanto, puede usar el modelo de validación cruzada en la fase inicial de la compilación y prueba del modelo. En esa fase puede evaluar la calidad de los parámetros del modelo (suponiendo que el tiempo de cálculo sea tolerable). A continuación, puede entrenar y evaluar el modelo con los parámetros establecidos con los componentesEntrenar modelo y Evaluar modelo.
En este escenario se entrena y se prueba el modelo con el módulo Cross-Validate Model (Modelo de validación cruzada).
Agregue el componente de validación cruzada a la canalización. Puede encontrarlo en el diseñador de Azure Machine Learning, en la categoría Model Scoring & Evaluation (Puntuación y evaluación del modelo).
Conecte la salida de cualquier modelo de clasificación o regresión.
Por ejemplo, si usa el módulo Two Class Boosted Decision Tree (Árbol de decisión impulsado por dos clases) para la clasificación, configure el modelo con los parámetros que desee. A continuación, arrastre un conector desde el puerto Untrained model (Modelo sin entrenar) del clasificador hasta el puerto coincidente del modelo de validación cruzada.
Sugerencia
No es necesario entrenar el modelo, porque el modelo de validación cruzada lo entrena automáticamente como parte de la evaluación.
En el puerto Dataset (Conjunto de datos) del modelo de validación cruzada, conecte cualquier conjunto de datos de entrenamiento etiquetado.
En el panel derecho del modelo de validación cruzada, haga clic en Editar columna. Seleccione la columna única que contiene la etiqueta de clase o el valor de predicción.
Establezca un valor para el parámetro Random seed si quiere repetir los resultados de la validación cruzada en ejecuciones posteriores de los mismos datos.
Envíe la canalización.
Consulte la sección Resultados para obtener una descripción de los informes.
Results
Una vez completadas todas las iteraciones, el modelo de validación cruzada crea puntuaciones para todo el conjunto de datos. También crea métricas de rendimiento que sirven para evaluar la calidad del modelo.
Resultados puntuados
La primera salida del componente proporciona los datos de origen de cada fila, junto con algunos valores de predicción y las probabilidades relacionadas.
Para ver los resultados, en la canalización, haga clic con el botón derecho en el componente de Modelo de validación cruzada. Seleccione Visualize Scored results (Visualizar resultados con puntuación).
| Nuevo nombre de columna | Descripción |
|---|---|
| Etiquetas puntuadas | Esta columna se agrega al final del conjunto de datos. Contiene el valor de predicción para cada fila. |
| Probabilidades puntuadas | Esta columna se agrega al final del conjunto de datos. Indica la probabilidad estimada del valor de Scored Labels (Etiquetas puntuadas). |
| Número de plegamientos | Indica el índice de base 0 del pliegue al que se asignó cada fila de datos durante la validación cruzada. |
Evaluation results
El segundo informe se agrupa por plegamientos. Recuerde que, durante la ejecución, el modelo de validación cruzada divide aleatoriamente los datos de entrenamiento en n pliegues (de forma predeterminada, 10). En cada iteración sobre el conjunto de datos, el modelo de validación cruzada usa un pliegue como conjunto de datos de validación y los n-1 pliegues restantes para entrenar un modelo. Cada uno de los n modelos se prueba en comparación con los datos de todos los demás plegamientos.
En este informe, los plegamientos se enumeran por valor de índice en orden ascendente. Para ordenar por cualquier otra columna, puede guardar los resultados como un conjunto de datos.
Para ver los resultados, en la canalización, haga clic con el botón derecho en el componente de Modelo de validación cruzada. Seleccione Visualize Evaluation results by fold (Visualizar los resultados de evaluación por plegamiento)
| Nombre de la columna | Descripción |
|---|---|
| Número de plegamiento | Identificador de cada plegamiento. Si ha creado cinco pliegues, debería haber cinco subconjuntos de datos, numerados de 0 a 4. |
| Número de ejemplos del plegamiento | Número de filas asignadas a cada plegamiento. Deben ser aproximadamente iguales. |
El componente también incluye las siguientes métricas para cada pliegue, en función del tipo de modelo que se esté evaluando:
Modelos de clasificación: precisión, recuperación, puntuación F, AUC y precisión
Modelos de regresión: error absoluto medio, error cuadrático medio raíz, error absoluto relativo, error cuadrado relativo y coeficiente de determinación
Notas técnicas
Se recomienda normalizar los conjuntos de datos antes de usarlos para la validación cruzada.
El modelo de validación cruzada es mucho más intensivo a nivel computacional y tarda más tiempo en completarse que si se validara el modelo con un conjunto de datos dividido aleatoriamente. La razón es que el modelo de validación cruzada entrena y valida el modelo varias veces.
No es necesario dividir el conjunto de datos en conjuntos de entrenamiento y de prueba cuando se usa la validación cruzada para medir la precisión del modelo.
Pasos siguientes
Vea el conjunto de componentes disponibles para Azure Machine Learning.