গাইড লিঙ্ক ক্যুইজ · কঠিন স্তর

নেস্টেড ক্রস-ভ্যালিডেশন কুইজ

একটি ব্যবহারিক নেস্টেড ক্রস-ভ্যালিডেশন ওয়ার্কফ্লোতে অভ্যন্তরীণ এবং বাইরের ভাঁজ ভূমিকা, প্রিপ্রসেসিং লিকেজ এবং ফিট-কাউন্ট গণনা পরীক্ষা করুন।

সম্পর্কিত গাইড পাথনেস্টেড ক্রস যাচাইকরণ
প্রশ্ন 1 এর 8

একটি বাইরের বিভাজনের মধ্যে, ভিতরের হাইপারপ্যারামিটার অনুসন্ধান কোন ডেটা ব্যবহার করতে পারে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. একটি বাইরের বিভাজনের মধ্যে, ভিতরের হাইপারপ্যারামিটার অনুসন্ধান কোন ডেটা ব্যবহার করতে পারে?
    • বাইরের পরীক্ষার ভাঁজ সহ সমস্ত উদাহরণ
    • শুধুমাত্র বাইরের প্রশিক্ষণ তথ্য
    • শুধুমাত্র বাইরের পরীক্ষা লেবেল
    • বিশ্বব্যাপী প্রিপ্রসেসিং ফিট করার পরে সম্পূর্ণ ডেটাসেট
  2. কেন রিপোর্টিং সেরা অভ্যন্তরীণ বৈধতা স্কোর overstate মডেল পারফরম্যান্স করতে পারেন?
    • অভ্যন্তরীণ ক্রস-ভ্যালিডেশন প্রতিটি প্রার্থীকে তার নিজস্ব প্রশিক্ষণের সারিতে মূল্যায়ন করে
    • ভাঁজ জুড়ে গড় প্রার্থীর র‌্যাঙ্কিং থেকে সমস্ত অনিশ্চয়তা দূর করে
    • সেরা অভ্যন্তরীণ স্কোর ইতিমধ্যে একটি স্বাধীন বাইরের মূল্যায়ন অন্তর্ভুক্ত
    • সর্বোত্তম সেটিং নির্বাচন করা বৈধতা স্কোরের অনুকূল পরিবর্তনও নির্বাচন করে
  3. পাঁচটি বাইরের ভাঁজ, তিনটি অভ্যন্তরীণ ভাঁজ এবং দশটি প্রার্থীর সেটিংসের জন্য কতজন অভ্যন্তরীণ প্রার্থী গাইডের উদাহরণে ফিট করে?
    • 150
    • 18
    • 50
    • 30
  4. নেস্টেড ক্রস-ভ্যালিডেশন শুরু হওয়ার আগে সম্পূর্ণ ডেটাসেটে একটি স্কেলার লাগানো হয়। কোন সমস্যা থেকে যায়?
    • আরও বাইরের ভাঁজ ব্যবহার করা স্বয়ংক্রিয়ভাবে প্রিপ্রসেসিং লিকেজ দূর করে
    • তত্ত্বাবধানহীন প্রিপ্রসেসিং মূল্যায়নের সাথে প্রাসঙ্গিক তথ্য ব্যবহার করতে পারে না
    • প্রি-প্রসেসিং ইতিমধ্যেই হোল্ড-আউট তথ্য অ্যাক্সেস করেছে
    • একটি স্কেলার নিরাপদে পরীক্ষার ইনপুট দেখতে পারে যখনই এটি পরীক্ষার লেবেল দেখতে পায় না
  5. বিভিন্ন বাইরের ভাঁজ বিভিন্ন হাইপারপ্যারামিটার নির্বাচন করে। এই কিভাবে ব্যাখ্যা করা উচিত?
    • এটি প্রমাণ করে যে ক্রস-ভ্যালিডেশন কোডটি ভেঙে গেছে
    • এটি ঘটতে পারে কারণ প্রতিটি নির্বাচন ধাপে বিভিন্ন প্রশিক্ষণের ডেটা দেখা যায়
    • এর অর্থ হল শুধুমাত্র সর্বোচ্চ স্কোর করা বাইরের মডেলটি বৈধ৷
    • এটি প্রশিক্ষণ নির্ভুলতা সঙ্গে বাইরের মূল্যায়ন প্রতিস্থাপন প্রয়োজন
  6. একটি ডেটাসেটে গ্রাহক প্রতি অনেকগুলি সারি রয়েছে এবং স্থাপনার লক্ষ্য অদেখা গ্রাহকদের। কোন নকশা যে নির্ভরতা ঠিকানা?
    • শুধুমাত্র বাইরের লুপে আলাদাভাবে সমস্ত সারি এলোমেলো করুন
    • মূল্যায়ন সম্পূর্ণ হলেই গ্রাহকদের গ্রুপ করুন
    • বিভক্ত করার আগে বিশ্বব্যাপী বৈশিষ্ট্য নির্বাচক ফিট করুন
    • গ্রাহক গোষ্ঠীগুলিকে অভ্যন্তরীণ এবং বাইরের উভয় বিভাজনে আলাদা রাখুন
  7. একটি নির্দিষ্ট নেস্টেড পদ্ধতির মূল্যায়ন করার পরে, গাইড কীভাবে একটি চূড়ান্ত মডেল পাওয়ার সুপারিশ করে?
    • ডেভেলপমেন্ট ডেটার উপর নির্বাচন পদ্ধতি চালান এবং নির্বাচিত কনফিগারেশন ফিট করুন
    • সর্বোচ্চ পর্যবেক্ষিত পরীক্ষার স্কোর সহ বাইরের-ভাঁজ মডেলটি স্থাপন করুন
    • একক সেরা অভ্যন্তরীণ-ভাঁজ ফলাফল থেকে কনফিগারেশন চয়ন করুন
    • সংরক্ষিত পরীক্ষার সেটে প্রার্থীদের তুলনা করে চূড়ান্ত সেটিংস বেছে নিন
  8. কেন বাইরের-ভাঁজ স্কোরের বিস্তার স্বয়ংক্রিয়ভাবে একটি আত্মবিশ্বাসের ব্যবধান নয়?
    • প্রতিটি বাইরের স্কোর একটি সম্পর্কহীন প্রশিক্ষণ সেট থেকে একটি স্বাধীন পরিমাপ
    • ভাঁজ স্কোরের কাঁচা মান বিচ্যুতি নিজেই একটি আত্মবিশ্বাসের ব্যবধান
    • লাগানো মডেলগুলি তাদের প্রশিক্ষণের বেশিরভাগ ডেটা ভাগ করে নেয়
    • গড় ভাঁজ স্কোর সমস্ত নমুনা অনিশ্চয়তা দূর করে