Mit dem Guide verknüpftes Quiz · Mittel Ebene

Kreuzvalidierungsquiz

Überprüfen Sie, wie die faltungsbasierte Validierung die Modellleistung schätzt, Lecks verhindert und die Optimierung von Hyperparametern von der endgültigen Bewertung trennt.

Verwandte FührungspfadeKreuzvalidierung
Frage 1 von 8

Wie oft wird bei der standardmäßigen k-fachen Kreuzvalidierung jeder Datenpunkt zum Testen verwendet?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wie oft wird bei der standardmäßigen k-fachen Kreuzvalidierung jeder Datenpunkt zum Testen verwendet?
    • Genau einmal
    • k mal
    • k-1 mal
    • Es hängt vom zufälligen Startwert ab
  2. Was ist der Hauptvorteil der k-fachen Kreuzvalidierung gegenüber einer einzelnen Zug-/Testaufteilung?
    • Es erhöht immer die Modellgenauigkeit
    • Es ergibt eine stabilere und weniger glücksabhängige Schätzung der Generalisierung
    • Dadurch entfällt die Notwendigkeit eines Testsatzes vollständig
    • Es beschleunigt das Modelltraining
  3. Die geschichtete k-fache Kreuzvalidierung ist besonders nützlich, wenn:
    • Der Datensatz ist perfekt ausbalanciert
    • Bei den Daten handelt es sich um eine Zeitreihe
    • Sie haben unausgeglichene Klassen und möchten, dass jede Falte ähnliche Klassenproportionen beibehält
    • Sie möchten den gesamten Datensatz auf einmal trainieren
  4. Die Leave-One-Out-Kreuzvalidierung (LOOCV) setzt die Anzahl der Faltungen k gleich:
    • 2
    • 10
    • Die Anzahl der Funktionen
    • Die Anzahl der Stichproben im Datensatz
  5. Um Datenlecks während der Kreuzvalidierung zu vermeiden, sollten Vorverarbeitungsschritte wie die Feature-Skalierung wie folgt aussehen:
    • Nur in jede Trainingsfalte einpassen und dann auf die Validierungsfalte auftragen
    • Passen Sie den gesamten Datensatz an, bevor Sie ihn in Falten aufteilen
    • Komplett übersprungen
    • Wird nur an den Validierungsfalten durchgeführt
  6. Warum ist eine gewöhnliche k-fache Kreuzvalidierung für Zeitreihenprognosen ungeeignet?
    • Zeitreihen haben zu wenige Zeilen
    • Zufällige Faltungen können zukünftige Daten in den Trainingssatz einfügen, der zur Vorhersage der Vergangenheit verwendet wird
    • Für Zeitreihen ist es zu schnell
    • Zeitreihen können überhaupt nicht geteilt werden
  7. Was ist der Zweck der nested Kreuzvalidierung?
    • 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. Welche Faltenanzahlen sind übliche Ausgangsoptionen für k-fache Kreuzvalidierung?
    • Exactly two folds in every problem
    • One fold regardless of sample size
    • One thousand folds for every dataset
    • Five or ten folds