6.2.2 k-겹 교차 검증
k -겹 교차 검증에서는 중복을 허용하지 않고 훈련 데이터셋을 k개의 폴드(fold)로 랜덤하게 나눕니다. k - 1개의 폴드(이를 훈련 폴드(training fold)라고 합니다)로 모델을 훈련하고 나머지 하나의 폴드(이를 테스트 폴드(test fold)라고 합니다)로 성능을 평가합니다. 이 과정을 k번 반복하여 k개의 모델과 성능 추정을 얻습니다.
Note ≡ 중복을 허용할 샘플링과 허용하지 않는 샘플링
3장에서 중복을 허용한 샘플링과 허용하지 않는 샘플링의 예를 보았습니다. 3장을 읽지 않았거나 기억을 되살리고 싶다면 ‘3.6.3절 랜덤 포레스트로 여러 개의 결정 트리 연결’에 있는 노트를 참고하세요.
그다음 서로 다른 독립적인 폴드에서 얻은 성능 추정을 기반으로 모델의 평균 성능을 계산합니다. 홀드아웃 방법에 비해 훈련 데이터셋의 분할에 덜 민감한 성능 추정을 얻을 수 있습니다. 일반적으로 모델 튜닝에 k-겹 교차 검증을 사용합니다. 즉, 테스트 데이터셋에서 모델의 성능을 평가할 때 만족할 만한 일반화 성능을 내는 최적의 하이퍼파라미터 값을 찾기 위해 사용합니다.