বুটস্ট্র্যাপিং এমন কোনও পরীক্ষা বা মেট্রিক যা প্রতিস্থাপনের সাথে এলোমেলো নমুনার উপর নির্ভর করে t এটি এমন একটি পদ্ধতি যা অনেক পরিস্থিতিতে যেমন ভবিষ্যদ্বাণীমূলক মডেল পারফরম্যান্সের বৈধতা, জড়িত পদ্ধতিগুলি, পক্ষপাতের প্রাক্কলন এবং কোনও মডেলের প্যারামিটারের বৈকল্পিক ইত্যাদির সাহায্য করে by মূল ডেটাसेट থেকে প্রতিস্থাপনের সাথে নমুনা প্রদর্শন করা এবং একই সাথে ধরে নেওয়া যে যে ডেটা পয়েন্টগুলি চয়ন করা হয়নি তা হ'ল পরীক্ষার ডেটাসেট। আমরা এই পদ্ধতিটি কয়েকবার পুনরাবৃত্তি করতে পারি এবং আমাদের মডেল পারফরম্যান্সের অনুমান হিসাবে গড় স্কোর গণনা করতে পারি। এছাড়াও, বুটস্ট্র্যাপিং প্রশিক্ষণ পদ্ধতির সাথে সম্পর্কিত, কারণ আমরা প্রতিটি বুটস্ট্র্যাপ ডেটাসেট ব্যবহার করে একটি মডেল তৈরি করতে পারি এবং "ব্যাগ" এই মডেলগুলিকে সংখ্যাগরিষ্ঠ ভোটদান (শ্রেণিবিন্যাসের জন্য) ব্যবহার করে বা সকলের জন্য গড় (সংখ্যার পূর্বাভাসের জন্য) গণনা করি আমাদের চূড়ান্ত ফলাফল হিসাবে এই মডেলগুলি।
ক্রস বৈধকরণ কোনও মডেলের কর্মক্ষমতা যাচাই করার জন্য একটি প্রক্রিয়া, এবং প্রশিক্ষণ ডেটা কে অংশে বিভক্ত করে এটি করা হয়। আমরা ধরে নিই যে কে -1 অংশগুলি প্রশিক্ষণ সেট এবং অন্য অংশটি আমাদের পরীক্ষার সেট। আমরা সেই সময়ের পুনরাবৃত্তি করতে পারি প্রতিবার ডেটার আলাদা অংশকে আলাদাভাবে রাখা। অবশেষে, আমরা আমাদের পারফরম্যান্সের অনুমান হিসাবে কে স্কোরগুলির গড় গ্রহণ করি। ক্রস বৈধতা পক্ষপাত বা বৈকল্পিকতায় ভুগতে পারে। বিভাজনের সংখ্যা বৃদ্ধি করে, বৈচিত্রটিও বাড়বে এবং পক্ষপাতও হ্রাস পাবে। অন্যদিকে, আমরা যদি বিভাজনের সংখ্যা হ্রাস করি তবে পক্ষপাত বাড়বে এবং প্রকরণটি হ্রাস পাবে।
সংক্ষেপে, ক্রস বৈধতা একাধিক ডেটাसेट তৈরি করতে উপলভ্য ডেটাসেটকে বিভক্ত করে এবং বুটস্ট্র্যাপিং পদ্ধতিটি প্রতিস্থাপনের সাথে পুনরায় মডেলিংয়ের পরে একাধিক ডেটাসেট তৈরি করতে মূল ডেটাसेट ব্যবহার করে। মডেল বৈধতার জন্য এটি ব্যবহার করার সময় এটি ক্রস বৈধতার মতো শক্তিশালী নয় Boot বুটস্ট্র্যাপিং মেশিনগুলি মডেল তৈরি করা বা পরামিতিগুলি অনুমান করার বিষয়ে আরও বেশি।