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।
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।
- 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
- 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
- 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
- লিভ-ওয়ান-আউট ক্রস-ভ্যালিডেশন (LOOCV) k এর সমান ফোল্ডের সংখ্যা সেট করে:
- 2
- 10
- বৈশিষ্ট্য সংখ্যা
- ডেটাসেটে নমুনার সংখ্যা
- 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
- 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
- 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
- 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