Zwei der größten Märkte der Welt liegen nur einen Katzensprung voneinander entfernt und haben in Sachen KI quick gegensätzliche Wege eingeschlagen. Die Europäische Union hat ein großes Gesetz geschrieben, das alles abdeckt. Das Vereinigte Königreich hat beschlossen, überhaupt kein KI-Gesetz zu verfassen – zumindest noch nicht – und überlässt stattdessen seinen bestehenden Aufsichtsbehörden die Verwaltung der KI in ihren eigenen Bereichen. Wenn Sie KI bauen, kaufen oder einfach an einem beliebigen Ort verwenden, ist der Unterschied wichtig. Dieser Leitfaden schlüsselt es in alltägliche Begriffe auf und untersucht dann, was es für die Daten hinter der KI, die beteiligten Unternehmen und die betroffenen Kunden bedeutet.

Die Kurzversion

• In der EU gibt es ein großes KI-Gesetz, das überall gilt, je nachdem, wie riskant die KI ist.
• Im Vereinigten Königreich gibt es kein einheitliches KI-Gesetz – bestehende Regulierungsbehörden kümmern sich um KI in ihren eigenen Sektoren.
• Der EU-Ansatz ist strenger und vorhersehbarer; Der britische Ansatz ist einfacher und flexibler.
• Was die Daten betrifft: Beide wollen letztlich das Gleiche – faire, intestine dokumentierte und qualitativ hochwertige Daten.
• Für Unternehmen: Wenn Sie in beiden Bereichen tätig sind, bauen Sie einmal nach dem strengeren EU-Commonplace und verwenden Sie ihn erneut.
• Für Kunden: Die EU legt Ihre Schutzmaßnahmen dar; Das Vereinigte Königreich verlässt sich auf bestehende Verbraucher- und Datengesetze.

Wie die EU mit KI umgeht

Die EU verwendet ein einziges Gesetz – das EU-KI-Gesetz –, das KI nach Risiko sortiert und entsprechende Regeln festlegt. Je riskanter der Einsatz, desto strenger die Regeln, egal in welcher Branche man tätig ist. Verbote und Grundvoraussetzungen sind bereits in Kraft; Die strengsten Regeln für hochriskante KI (wie Einstellung oder medizinische Hilfsmittel) sind für 2027 und 2028 geplant. Die große Idee: ein einheitliches Regelwerk für den gesamten Block.

Wie Großbritannien mit KI umgeht

Das Vereinigte Königreich hat beschlossen, kein einziges KI-Gesetz zu verabschieden. Stattdessen lässt es seine bestehenden Regulierungsbehörden – diejenigen, die bereits Bereiche wie Datenschutz, Finanzen, Medikamente und Wettbewerb abdecken – innerhalb ihres Zuständigkeitsbereichs ihre eigenen Regeln auf die KI anwenden. Man geht davon aus, dass eine Finanz-KI und eine medizinische KI sehr unterschiedlich sind, sodass sich die Regulierungsbehörden, die diese Bereiche bereits kennen, damit befassen sollten. Die Anleitung kommt von diesen Gremien und nicht von einer zentralen KI-Behörde.

Was ist der „Regulated for Development“-Plan des Vereinigten Königreichs?

Es handelt sich um einen britischen Vorschlag aus dem Jahr 2026, der darauf abzielt, neue Technologien auf den Markt zu bringen, und nicht auf die Einführung strenger KI-Regeln. Dadurch könnten Regulierungsbehörden „Sandkästen“ schaffen – kontrollierte Räume, in denen Unternehmen neue KI-Produkte vor der vollständigen Einführung sicher unter realen Bedingungen testen können – und erfolgreiche Assessments dauerhaft machen. Das Sign ist klar: Großbritannien will Innovationen fördern, statt mit harten Restriktionen voranzugehen.

Sandbox (im Klartext): Eine beaufsichtigte Testzone, in der ein Unternehmen ein neues KI-Produkt ausprobieren kann, wobei einige normale Regeln vorübergehend gelockert werden, sodass Probleme sicher sichtbar werden, bevor die Öffentlichkeit vollständig entlarvt wird.

EU vs. UK auf einen Blick

Der Kompromiss ist einfach: Die EU gibt Ihnen Sicherheit, aber weniger Spielraum; Das Vereinigte Königreich bietet Ihnen Flexibilität, aber weniger Gewissheit über die Zukunft. Hier ist die Gegenüberstellung:

Was es für die Daten bedeutet

Hier ist die stille Wahrheit: Am Ende wollen beide Systeme dasselbe. Die EU sagt es direkt: Ihre KI muss auf Daten basieren, die truthful, repräsentativ und intestine dokumentiert sind. Das Vereinigte Königreich gelangt indirekt dorthin, weil seine Datenschutz-, Finanz- und medizinischen Vorschriften alle von der KI verlangen, dass sie präzise und truthful ist, was ohne gute Daten unmöglich ist. Unabhängig davon, auf welcher Seite des Kanals Sie sich befinden, ist die Datenaufgabe im Großen und Ganzen dieselbe: Sie müssen wissen, woher Ihre Daten stammen, sicherstellen, dass sie echte und unterschiedliche Personen widerspiegeln, und Aufzeichnungen führen, die Sie zeigen können.

Was es für Unternehmen bedeutet

Wenn Sie nur in einem Markt tätig sind, folgen Sie dem Ansatz dieses Marktes. Wenn Sie in beiden Bereichen tätig sind, besteht der effizienteste Schritt darin, einmal auf den strengeren EU-Commonplace umzustellen und ihn dann auf die Sektorregeln des Vereinigten Königreichs abzubilden – anstatt zwei separate Systeme beizubehalten. Stellen Sie sich ein britisches Gesundheitstechnologieunternehmen vor, das ein Diagnosetool verkauft. Im Inland ist es hauptsächlich den medizinischen und Datenaufsichtsbehörden des Vereinigten Königreichs unterstellt. Sobald dieses Device in die EU gelangt, treten auch die hochriskanten Regeln des EU-KI-Gesetzes in Kraft. Wenn Sie vom ersten Tag an nach EU-Commonplace bauen, ersparen Sie sich später eine teure Neuinstallation.

Was es für Endkunden bedeutet

Für einen normalen Menschen liegt der praktische Unterschied darin, wie sichtbar Ihre Schutzmaßnahmen sind. In der EU sind Ihre Rechte im Zusammenhang mit hochriskanter KI an einem Ort niedergeschrieben: Fairnessprüfung, Data, wenn KI im Spiel ist, und Zugang zu einem Menschen. Auch im Vereinigten Königreich sind Sie geschützt, allerdings durch einen Flickenteppich bestehender Gesetze (wie Datenschutz und Verbraucherrechte) und nicht durch ein KI-spezifisches Regelwerk. In jedem Fall ist die Richtung dieselbe: mehr Transparenz darüber, wann und wie die KI Entscheidungen über Sie trifft.

Wo Shaip reinpasst

Beide Regime führen auf denselben Ausgangspunkt zurück – vertrauenswürdige Daten. Datenerfassungs- und Lizenzierungsdienste von Shaip Bereitstellung von Daten, die reale Menschen truthful darstellen, mit klaren Aufzeichnungen darüber, wie sie gesammelt und genehmigt wurden – die Grundlage, die sowohl die EU als auch das Vereinigte Königreich erwarten. Unsere Arbeit umfasst viele Sprachen und Datentypen, was dazu beiträgt, dass sich die KI bei verschiedenen Benutzergruppen truthful verhält. Und für Chatbots und generative Instruments, Shaips generative KI-Datenlösungen Helfen Sie dabei, Trainingsdaten an die Transparenzerwartungen anzupassen, die jetzt auf beiden Seiten steigen.

Das Endergebnis

Die EU und das Vereinigte Königreich scheinen Gegensätze zu sein – ein großes Gesetz im Gegensatz zu einem flexiblen, von Regulierungsbehörden geleiteten Ansatz –, aber sie sind sich in den Dingen einig, die am wichtigsten sind: faire Daten, klare Aufzeichnungen und Ehrlichkeit gegenüber den Benutzern. Unternehmen, die eine solide, intestine dokumentierte Datengrundlage für den strengeren Commonplace aufbauen, bleiben in Europa abgedeckt und in Großbritannien anpassungsfähig, egal, wie sich die Regeln als nächstes entwickeln.

Bild von Editor

# Einführung

Eines der schwierigsten maschinellen Lernen ist es nicht, das Modell selbst zu erstellen, sondern seine Leistung zu bewerten.

Ein Modell magazine bei einem einzelnen Zug/Take a look at -Cut up hervorragend aussehen, aber wenn sie in der Praxis verwendet werden. Der Grund dafür ist, dass ein einzelner Cut up das Modell nur einmal testet und der Testsatz möglicherweise nicht die volle Variabilität der Daten erfasst, mit denen er in Zukunft ausgesetzt ist. Infolgedessen kann das Modell besser erscheinen als es wirklich ist, was zu überanpassenden oder irreführend hohen Punktzahlen führt. Hier kommt die Kreuzvalidierung ins Spiel.

In diesem Artikel werden wir die Kreuzvalidierung in einfachem Englisch aufschlüsseln, Gründe angeben, warum es zuverlässiger ist als die Maintain-out-Methode, und zeigen, wie sie mit grundlegenden Code und Bildern verwendet werden.

# Was ist Kreuzvalidierung?

Die Kreuzvalidierung ist ein Validierungsverfahren für maschinelles Lernen, um die Leistung eines Modells mithilfe mehrerer Datenuntergruppen zu bewerten, anstatt sich nur auf eine Teilmenge zu verlassen. Die Grundidee hinter diesem Konzept besteht darin, jedem Datenpunkt die Likelihood zu geben, im Trainingssatz und Checks -Set im Rahmen der Bestimmung der endgültigen Leistung zu erscheinen. Das Modell wird daher mehrmals mit verschiedenen Splits bewertet, und das von Ihnen gewählte Leistungsmaß wird dann gemittelt.

Bild des Autors

Der Hauptvorteil der Kreuzvalidierung gegenüber einem einzigen Zugtest-Cut up besteht darin, dass die Kreuzvalidation die Leistung zuverlässig schätzt, da die Leistung des Modells über Falten gemittelt wird, wodurch die Zufälligkeit geglättet wird, in der Punkte als Testsatz beiseite gelegt wurden.

Einfach ausgedrückt könnte ein Testsatz Beispiele enthalten, die zur ungewöhnlich hohen Genauigkeit des Modells führen oder so auftreten, dass dies mit einer anderen Mischung von Beispielen zu einer ungewöhnlich geringen Leistung führen würde. Darüber hinaus nutzt die Kreuzvalidierung unsere Daten besser, was bei der Arbeit mit kleinen Datensätzen von entscheidender Bedeutung ist. Durch Kreuzvalidierung müssen Sie Ihre wertvollen Informationen nicht verschwenden, indem Sie einen großen Teil dauerhaft beiseite stellen. Stattdessen bedeutet Kreuzvalidierung, dass dieselbe Beobachtung zu verschiedenen Zeiten die Zug- oder Testrolle spielen kann. Ihr Modell nimmt im Gegensatz zu einem großen Take a look at mehrere Mini-Aussagen.

Bild des Autors

# Die häufigsten Arten von Kreuzvalidierung

Es gibt verschiedene Arten von Kreuzvalidierung, und hier werfen wir einen Blick auf die vier am häufigsten.

// 1. k-fach Kreuzvalidierung

Die bekannteste Methode der Kreuzvalidierung ist die Ok-fache Kreuzvalidierung. Bei dieser Methode wird der Datensatz in ok gleiche Teile aufgeteilt, auch als Falten bezeichnet. Das Modell ist auf Ok-1-Falten trainiert und auf der Falte getestet, die ausgelassen wurde. Der Vorgang dauert fort, bis jede Faltung einmal ein Testsatz conflict. Die Ergebnisse aller Falten werden zusammen gemittelt, um ein stabiles Maß für die Genauigkeit des Modells zu bilden.

Beispielsweise wird im 5-fachen Kreuzvalidierungsfall der Datensatz in fünf Teile unterteilt, und jeder Teil wird zum Testsatz, bevor alles gemittelt wird, um die endgültige Leistungsbewertung zu berechnen.

Bild des Autors

// 2. Schicht k-fach

Bei der Bewältigung von Klassifizierungsproblemen, bei denen reale Datensätze häufig unausgeglichen sind, wird geschichtete k-fache Kreuzvalidierung bevorzugt. Im Commonplace-Ok-Fold können wir zufällig eine Testfalte mit einer stark verzerrten Klassenverteilung erhalten, beispielsweise, wenn einer der Testfalten nur sehr wenige oder keine Instanzen der Klasse B hat. Schicht k-fach garantiert, dass alle Falten ungefähr die gleichen Proportionen von Klassen haben. Wenn Ihr Datensatz 90% Klasse A und 10% Klasse B hat, hat jede Faltung in diesem Fall etwa 90%: 10% Verhältnis, wodurch Sie eine konsistentere und fairere Bewertung erhalten.

Bild des Autors

// 3..

LEUSE-One-Out Cross-Validation (LOOCV) ist ein extremer Fall von k-fach, bei dem die Anzahl der Falten der Anzahl der Datenpunkte entspricht. Dies bedeutet, dass das Modell für jeden Lauf auf alle bis auf eine Beobachtung trainiert wird und dass eine einzelne Beobachtung als Testsatz verwendet wird.

Der Vorgang wiederholt sich, bis jeder Punkt einmal getestet wurde und die Ergebnisse gemittelt werden. LOOCV kann nahezu unvoreingenommene Leistungsschätzungen liefern, ist jedoch bei größeren Datensätzen äußerst rechnerisch teuer, da das Modell so oft geschult werden muss, wie es Datenpunkte gibt.

Bild des Autors

// 4. Zeitreihe Kreuzvalidierung

Bei der Arbeit mit zeitlichen Daten wie Finanzpreisen, Sensorwerte oder Benutzeraktivitätsprotokollen ist eine zeitreiche Kreuzvalidierung erforderlich. Nach dem Zufallsprinzip der Daten würde die natürliche Reihenfolge der Zeit- und Risikodatenverletzung durch die Zukunft der Vergangenheit einbrechen.

Stattdessen werden Falten chronologisch entweder ein expandierendes Fenster (allmählich erhöht die Größe des Trainingssatzes) oder ein Rollfenster (ein Trainingssatz mit fester Größe, das mit der Zeit voranschreitet) verwendet. Dieser Ansatz respektiert die zeitlichen Abhängigkeiten und erzeugt realistische Leistungsschätzungen für Prognoseaufgaben.

Bild des Autors

# Vorspannungsvarianz-Kompromiss und Kreuzvalidierung

Die Kreuzvalidierung leistet einen großen Beitrag zur Bekämpfung des Vorspannungsvarianz-Kompromisses in der Modellbewertung. Bei einem einzigen Zugtest aufgeteilt ist die Varianz Ihrer Leistungsschätzung hoch, da Ihr Ergebnis stark davon abhängt, welche Zeilen im Testsatz landen.

Wenn Sie jedoch die Kreuzvalidierung verwenden, haben Sie die Leistung über mehrere Testsätze durchschnittlich, was die Varianz verringert und eine viel stabilere Schätzung der Leistung Ihres Modells liefert. Die Kreuzvalidierung wird sicherlich keine Verzerrung vollständig beseitigen, da kein Maß an Kreuzvalidierung einen Datensatz mit schlechten Beschriftungen oder systematischen Fehlern auflöst. In quick allen praktischen Fällen wird es jedoch eine viel bessere Annäherung an die Leistung Ihres Modells bei unsichtbaren Daten als ein einzelner Take a look at sein.

# Beispiel in Python mit Scikit-Be taught

Dieses kurze Beispiel trainiert ein logistisches Regressionsmodell im IRIS-Datensatz mithilfe einer 5-fachen Kreuzvalidierung (über Scikit-Be taught). Die Ausgabe zeigt die Punktzahlen für jede Falte und die durchschnittliche Genauigkeit, die viel mehr auf die Leistung hinweist, als jeder einmalige Take a look at liefern könnte.

from sklearn.model_selection import cross_val_score, KFold
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris

X, y = load_iris(return_X_y=True)
mannequin = LogisticRegression(max_iter=1000)

kfold = KFold(n_splits=5, shuffle=True, random_state=42)
scores = cross_val_score(mannequin, X, y, cv=kfold)

print("Cross-validation scores:", scores)
print("Common accuracy:", scores.imply())

# Einpacken

Die Kreuzvalidierung ist eine der robustesten Techniken zur Bewertung von Modellen für maschinelles Lernen, da ein Datentest in viele Datentests verwandelt wird und Ihnen ein viel zuverlässigeres Bild der Leistung Ihres Modells bietet. Im Gegensatz zu der Maintain-out-Methode oder einem einzigen Zugtest aufgeteilt, reduziert dies die Wahrscheinlichkeit, dass sie auf eine beliebige Datensatzpartition übernommen wird, und nutzt die einzelnen Daten besser.

Während wir dies abschließen, sind einige der Greatest Practices, die man beachten sollte,:

• Mischen Sie Ihre Daten vor der Spaltung (außer in Zeitreihen)
• Verwenden Sie geschichtetes Ok-Fold für Klassifizierungsaufgaben
• Achten Sie auf Berechnungskosten mit großem Ok oder LOOCV
• Verhindern Sie Datenleckage durch Anpassung von Skalierern, Encodern und der Auswahl nur in der Trainingsfalte

Denken Sie beim Entwickeln Ihres nächsten Modells daran, dass sich einfach auf einen Testset mit irreführenden Interpretationen verlassen kann. Wenn Sie die k-fache Kreuzvalidierung oder ähnliche Methoden verwenden, können Sie besser verstehen, wie Ihr Modell in der realen Welt abschneidet, und genau das zählt doch.

Josep Ferrer ist ein Analyseingenieur aus Barcelona. Er absolvierte das Physik -Engineering und arbeitet derzeit im Bereich Information Science, der für die menschliche Mobilität angewendet wurde. Er ist ein Teilzeit-Inhaltsersteller, der sich auf Datenwissenschaft und -technologie konzentriert. Josep schreibt über alle Dinge KI und deckt die Anwendung der laufenden Explosion vor Ort ab.