स्थानिक मॉडल के पूर्वानुमान प्रदर्शन का अनुमान लगाने के लिए स्थानिक k-कोने क्रॉस वैलिडेशन

मशीन लर्निंग में, मॉडल प्रदर्शन का मूल्यांकन करते समय अक्सर यह माना जाता है कि डेटा स्वतंत्र हैं। हालाँकि, सिद्धांत में यह अक्सर सही नहीं होता है। भौगोलिक सूचना डेटासेट एक उदाहरण हैं जहाँ डेटा बिंदुओं के बीच निकटता के कारण मजबूत निर्भरता होती है। इस प्रदर्शन को स्थानिक ऑटोकोरिलेशन (SAC) कहा जाता है, जो मानक क्रॉस वैलिडेशन (CV) विधियों को स्थानिक मॉडलों के लिए अति-आशावादी पूर्वानुमान प्रदर्शन अनुमान उत्पन्न करने के लिए प्रेरित करता है, जिससे व्यावहारिक अनुप्रयोगों में लागत और दुर्घटनाएँ बढ़ सकती हैं। इस समस्या से निपटने के लिए, हम CV विधि का एक संशोधित संस्करण प्रस्तावित करते हैं जिसे स्थानिक k-कॉइल्ड क्रॉस वैलिडेशन (SKCV) कहा जाता है, जो SAC के कारण अति-आशावादी पूर्वाग्रह के बिना मॉडल पूर्वानुमान प्रदर्शन के लिए एक उपयोगी अनुमान प्रदान करता है। हम SKCV का परीक्षण तीन वास्तविक दुनिया के मामलों के साथ करते हैं जिसमें ओपन नेचुरल डेटा शामिल है, जो दिखाती है कि सामान्य CV द्वारा उत्पन्न अनुमान SKCV की तुलना में 40% अधिक आशावादी होते हैं। हमारे प्रयोगों में दोनों रिग्रेशन और वर्गीकरण के मामलों पर विचार किया गया है। इसके अतिरिक्त, हम यह दिखाएंगे कि SKCV विधि को नए शोध क्षेत्र के लिए डेटा सैंपलिंग घनत्व चयन के मानदंड के रूप में कैसे लागू किया जा सकता है।