গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ক্রস-ভ্যালিডেশন কুইজ

কীভাবে ভাঁজ-ভিত্তিক বৈধতা মডেলের কার্যকারিতা অনুমান করে, ফুটো প্রতিরোধ করে এবং চূড়ান্ত মূল্যায়ন থেকে হাইপারপ্যারামিটার টিউনিংকে আলাদা করে তা পরীক্ষা করুন।

সম্পর্কিত গাইড পাথক্রস বৈধতা
প্রশ্ন 1 এর 8

স্ট্যান্ডার্ড কে-ফোল্ড ক্রস-ভ্যালিডেশনে, পরীক্ষার জন্য প্রতিটি ডেটা পয়েন্ট কতবার ব্যবহার করা হয়?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. স্ট্যান্ডার্ড কে-ফোল্ড ক্রস-ভ্যালিডেশনে, পরীক্ষার জন্য প্রতিটি ডেটা পয়েন্ট কতবার ব্যবহার করা হয়?
    • ঠিক একবার
    • k বার
    • k-1 বার
    • এটা র্যান্ডম বীজ উপর নির্ভর করে
  2. একটি একক ট্রেন/পরীক্ষা বিভাজনের উপর কে-ফোল্ড ক্রস-ভ্যালিডেশনের প্রধান সুবিধা কী?
    • এটা সবসময় মডেল নির্ভুলতা বৃদ্ধি
    • এটি সাধারণীকরণের আরও স্থিতিশীল, কম ভাগ্য-নির্ভর অনুমান দেয়
    • এটি সম্পূর্ণরূপে একটি পরীক্ষার সেটের প্রয়োজনীয়তাকে সরিয়ে দেয়
    • এটি মডেল প্রশিক্ষণের গতি বাড়ায়
  3. স্তরিত কে-ফোল্ড ক্রস-ভ্যালিডেশন বিশেষভাবে কার্যকর যখন:
    • ডেটাসেট পুরোপুরি ভারসাম্যপূর্ণ
    • তথ্য একটি সময় সিরিজ
    • আপনি ভারসাম্যহীন ক্লাস করেছেন এবং প্রতিটি ভাঁজ একই শ্রেণীর অনুপাত রাখতে চান
    • আপনি একবারে সমগ্র ডেটাসেটের প্রশিক্ষণ নিতে চান
  4. লিভ-ওয়ান-আউট ক্রস-ভ্যালিডেশন (LOOCV) k এর সমান ফোল্ডের সংখ্যা সেট করে:
    • 2
    • 10
    • বৈশিষ্ট্য সংখ্যা
    • ডেটাসেটে নমুনার সংখ্যা
  5. ক্রস-ভ্যালিডেশনের সময় ডেটা লিকেজ এড়াতে, ফিচার স্কেলিং এর মতো প্রি-প্রসেসিং পদক্ষেপগুলি হওয়া উচিত:
    • শুধুমাত্র প্রতিটি প্রশিক্ষণ ভাঁজের ভিতরে ফিট করুন, তারপর বৈধতা ভাঁজে প্রয়োগ করুন
    • ভাঁজে বিভক্ত হওয়ার আগে সম্পূর্ণ ডেটাসেটে ফিট করুন
    • পুরোপুরি এড়িয়ে গেছে
    • শুধুমাত্র বৈধতা folds উপর সম্পন্ন
  6. কেন সাধারণ কে-ফোল্ড ক্রস-ভ্যালিডেশন সময়-সিরিজের পূর্বাভাসের জন্য অনুপযুক্ত?
    • টাইম সিরিজে খুব কম সারি আছে
    • এলোমেলো ভাঁজ অতীতের ভবিষ্যদ্বাণী করতে ব্যবহৃত প্রশিক্ষণ সেটে ভবিষ্যতের ডেটা রাখতে পারে
    • সময় সিরিজের জন্য এটি খুব দ্রুত
    • টাইম সিরিজ মোটেও বিভক্ত করা যাবে না
  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