Loading content
Statistische Methode zur robusten Bewertung und Vergleich von Vorhersagemodellen durch wiederholte Aufteilung der Daten in Trainings- und Testmengen.
Cross-Validation ist eine statistische Methode zur Bewertung von Vorhersagemodellen durch wiederholte Partitionierung von Datensätzen in Trainings- und Testmengen; sie reduziert Overfitting und ermöglicht verlässlichere Performanzschätzungen. Unterschiedliche Strategien (k‑fold, stratified, time‑series‑split) adressieren Dateneigenschaften und Bias. Die Anwendung erfordert eine passende Kreuzvalidierungsstrategie entsprechend Datenstruktur und Geschäftsfrage.
Aggregierte Performanzmetrik über alle Folds (z. B. mittlere Genauigkeit).
Maß für Stabilität und Sensitivität des Modells gegenüber Datenvariationen.
Gesamtlaufzeit der Validierungsdurchläufe als Indikator für Praktikabilität.
Teilnehmer verwenden k‑fold Cross‑Validation zur robusten Schätzung der Public/Private‑Leaderboard‑Performance.
Praxisbeispiel zur Verwendung von cross_val_score und GridSearchCV für Modellauswahl.
Rolling‑Window‑Validierung zur Absicherung von Produktionsprognosen über saisonale Zyklen.
Daten und Zielvariable prüfen; geeignete Fold‑Strategie wählen
Vorverarbeitung innerhalb der Folds verankern (Pipeline)
Cross‑Validation durchlaufen und Metriken aggregieren
Ergebnisse interpretieren, Varianz prüfen und Entscheidung treffen