Leave-One-Out Kreuzvalidierung

Stichpunkte

Allgemein
	Die Leave-One-Out Kreuzvalidierung ist ein Testverfahren zur Messung der Güte von Algorithmen und Methoden aus dem Data Mining
	ist bei der Leave-One-Out Kreuzvalidierung (engl. leave-one-out cross validation) das k=N
	Im Gegensatz zur einfachen Kreuzvalidierung
	Somit werden N Durchläufe gestartet und deren Einzelfehlerwerte ergeben als Mittelwert die Gesamtfehlerrate
	wie bei der stratifizierten Kreuzvalidierung mehr möglich ist
	dass keine Stratifizierung der Teilmengen
	Nachteil dieser Methode ist
	dass dieses Testverfahren falsche Fehlerwerte liefert. Beispiel: Eine vollständig zufällige Datenmenge bei gleichmäßiger Verteilung und nur zwei Klassen würde zu einem LOO-CV von 100% Prozent führen
	Dadurch kann es in Extremfällen dazu kommen
	Warum? Aus N Instanzen werden zum Training N/2 Instanzen der Klasse K1 verwendet und N/2-1 Instanzen der Klasse K2
	liefert der Test mit der Testinstanz der Klasse K2 einen Fehler von 100%! Ein weitere Nachteil ist der sehr hohe Rechenaufwand. siehe auch: Kreuzvalidierungsverfahren
	Da der Klassifikator immer die Mehrheitsklasse der Testdaten prognostiziert

Dieser Artikel basiert auf dem Artikel Leave-One-Out Kreuzvalidierung aus der freien Enzyklopädie wikipedia und steht unter der GNU Lizenz für freie Dokumentation. In der wikipedia ist eine Liste der Autoren verfügbar.