Kvíz spojený s průvodcem · Střední úroveň
Křížový ověřovací kvíz
Zkontrolujte, jak validace založená na skládání odhaduje výkon modelu, zabraňuje úniku a odděluje ladění hyperparametrů od konečného vyhodnocení.
Otázka 1 z 8
Kolikrát se při standardní k-násobné křížové validaci použije každý datový bod k testování?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Kolikrát se při standardní k-násobné křížové validaci použije každý datový bod k testování?
- Přesně jednou
- k krát
- k-1 krát
- Záleží na náhodném semínku
- Jaká je hlavní výhoda k-násobné křížové validace oproti rozdělení jednoho vlaku/testu?
- Vždy zvyšuje přesnost modelu
- Poskytuje stabilnější odhad zobecnění méně závislý na štěstí
- Zcela odstraňuje potřebu testovací sady
- Urychluje trénink modelu
- Stratifikovaná k-násobná křížová validace je zvláště užitečná, když:
- Dataset je dokonale vyvážený
- Data jsou časovou řadou
- Máte nevyvážené třídy a chcete, aby si každý záhyb zachoval podobné proporce třídy
- Chcete trénovat na celé datové sadě najednou
- Křížová validace typu Leave-one-out (LOOCV) nastavuje počet záhybů k rovný:
- 2
- 10
- Počet funkcí
- Počet vzorků v datové sadě
- Aby se zabránilo úniku dat během křížové validace, měly by kroky předběžného zpracování, jako je škálování funkcí, být:
- Vložte pouze do každého tréninkového záhybu a poté aplikujte na ověřovací záhyb
- Před rozdělením do záhybů se přizpůsobí celé datové sadě
- Úplně přeskočeno
- Provádí se pouze na ověřovacích záhybech
- Proč je obyčejná křížová validace k-násobku nevhodná pro prognózy časových řad?
- Časové řady mají příliš málo řádků
- Náhodné záhyby mohou vložit budoucí data do trénovací sady používané k předpovídání minulosti
- Pro časové řady je to příliš rychlé
- Časové řady nelze dělit vůbec
- 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