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.

Související vodicí cestyKřížové ověření
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.

  1. 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
  2. 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
  3. 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
  4. Křížová validace typu Leave-one-out (LOOCV) nastavuje počet záhybů k rovný:
    • 2
    • 10
    • Počet funkcí
    • Počet vzorků v datové sadě
  5. 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
  6. 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
  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