Тест, свързан с ръководство · Среден Ниво

Тест за кръстосано валидиране

Проверете как базираното на сгъване валидиране оценява производителността на модела, предотвратява изтичане и разделя настройката на хиперпараметъра от крайната оценка.

Свързани ръководни пътекиКръстосано валидиране
Въпрос 1 на 8

При стандартно k-кратно кръстосано валидиране, колко пъти всяка точка от данни се използва за тестване?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. При стандартно k-кратно кръстосано валидиране, колко пъти всяка точка от данни се използва за тестване?
    • Точно веднъж
    • k пъти
    • k-1 пъти
    • Зависи от произволното семе
  2. Какво е основното предимство на k-кратното кръстосано валидиране пред еднократно разделяне на влак/тест?
    • Винаги повишава точността на модела
    • Той дава по-стабилна, по-малко зависима от късмета оценка на обобщението
    • Премахва изцяло необходимостта от набор от тестове
    • Ускорява обучението на модела
  3. Стратифицираното k-кратно кръстосано валидиране е особено полезно, когато:
    • Наборът от данни е перфектно балансиран
    • Данните са времеви редове
    • Имате небалансирани класове и искате всяко сгъване да запази подобни пропорции на класа
    • Искате да тренирате върху целия набор от данни наведнъж
  4. Кръстосаното валидиране с оставяне на един навън (LOOCV) задава броя на сгъванията k равен на:
    • 2
    • 10
    • Броят на функциите
    • Броят на пробите в набора от данни
  5. За да се избегне изтичане на данни по време на кръстосано валидиране, стъпките за предварителна обработка, като мащабиране на функции, трябва да бъдат:
    • Поставете само във всяка тренировъчна гънка, след което я приложете към валидиращата гънка
    • Поставете в пълния набор от данни, преди да го разделите на гънки
    • Пропуснато изцяло
    • Извършва се само на гънките за валидиране
  6. Защо обикновеното k-кратно кръстосано валидиране е неподходящо за прогнозиране на времеви серии?
    • Времевите серии имат твърде малко редове
    • Случайните сгъвания могат да поставят бъдещи данни в набора за обучение, използван за предсказване на миналото
    • Твърде бързо е за времеви серии
    • Времевите редове изобщо не могат да бъдат разделени
  7. What is the purpose of nested cross-validation?
    • It makes every model use the same hyperparameters
    • It lets preprocessing use the full dataset before splitting
    • It separates hyperparameter selection from an outer evaluation of the selected procedure
    • It removes the need for held-out evaluation
  8. Which fold counts are common starting choices for k-fold cross-validation?
    • Exactly two folds in every problem
    • One fold regardless of sample size
    • One thousand folds for every dataset
    • Five or ten folds