باختصار
التحقّق المتقاطع بـK طيّات (K-Fold Cross-Validation) خوارزمية للتنبّؤ بقدرة النموذج على التعميم (Generalization) على بيانات جديدة.
بالتفصيل
حرف K في «K-Fold» بيشير لعدد المجموعات المتساوية اللي بتقسّم عليها أمثلة مجموعة البيانات. يعني بتدرّب وتختبر نموذجك K مرّات، لا مرّة واحدة.
الآلية: في كل جولة تدريب واختبار، مجموعة مختلفة بتبقى مجموعة الاختبار، وكل المجموعات المتبقّية بتشكّل مجموعة التدريب. وبعد K جولة من التدريب والاختبار، بتحسب المتوسّط والانحراف المعياري لمقياس الاختبار المختار.
مثال رقمي: لو مجموعة بياناتك فيها 120 مثالًا، وقرّرت K=4. بعد خلط الأمثلة، بتقسّمها لأربع مجموعات متساوية من 30 مثالًا لكلٍّ، وتجري أربع جولات تدريب واختبار — كل جولة مجموعة مختلفة بتبقى الاختبار، والباقي التدريب.
مقياس التقييم يختلف حسب نوع المسألة. مثلًا الخطأ التربيعي المتوسّط (Mean Squared Error) قد يكون المقياس الأنسب لنموذج انحدار خطّي. فبتحسب متوسّط وانحراف الخطأ التربيعي المتوسّط عبر الجولات الأربع كلّها.
ليه ده أفضل من تقسيم واحد ثابت إلى تدريب واختبار؟ لأن التقسيم الواحد بيعتمد على «حظّ» توزيع الأمثلة في المجموعتين. K-Fold بيلغي الاعتماد على حظّ تقسيم واحد، وبيدّيك صورة أوثق — بمتوسّط وانحراف معياري — عن الأداء المتوقَّع الفعلي، وعن مدى استقرار هذا الأداء بين تقسيمات مختلفة.
مثال عملي
عندك 500 مثال، وبتقيّم بتقسيم واحد 80/20، والدقّة 87%. غيّرت البذرة العشوائية بس، ولقيت الدقّة 79%. أيّ رقم تصدّق؟
بتشغّل تحقّقًا متقاطعًا بـK=5، فتحصل على خمس دقّات: 84%، 88%، 81%، 85%، 83%. المتوسّط 84.2% بانحراف معياري صغير — ده رقم أوثق بكثير من أي تقسيم واحد، وبيديك فكرة عن استقرار الأداء نفسه.
مصطلحات مرتبطة
- Out-of-Bag Evaluation — التقييم خارج الحقيبة.
- Overfitting — فرط التخصيص.
- Training Set — مجموعة التدريب.
المصادر: Google ML Glossary
