Prueba de validación cruzada

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. En la validación cruzada estándar de k veces, ¿cuántas veces se utiliza cada punto de datos para las pruebas?
   • exactamente una vez
   • k veces
   • k-1 veces
   • Depende de la semilla aleatoria.
2. ¿Cuál es la principal ventaja de la validación cruzada de k veces sobre una única división de tren/prueba?
   • Siempre aumenta la precisión del modelo.
   • Proporciona una estimación de generalización más estable y menos dependiente de la suerte.
   • Elimina por completo la necesidad de un equipo de prueba.
   • Acelera el entrenamiento del modelo.
3. La validación cruzada estratificada de k veces es especialmente útil cuando:
   • El conjunto de datos está perfectamente equilibrado.
   • Los datos son una serie de tiempo.
   • Tienes clases desequilibradas y quieres que cada pliegue mantenga proporciones de clases similares
   • Quieres entrenar con todo el conjunto de datos a la vez
4. La validación cruzada de dejar uno fuera (LOOCV) establece el número de pliegues k igual a:
   • 2
   • 10
   • El número de características
   • El número de muestras en el conjunto de datos.
5. Para evitar la fuga de datos durante la validación cruzada, los pasos de preprocesamiento, como el escalado de características, deben ser:
   • Se ajusta solo dentro de cada pliegue de entrenamiento y luego se aplica al pliegue de validación.
   • Ajustar el conjunto de datos completo antes de dividirlo en pliegues
   • Saltado por completo
   • Hecho solo en los pliegues de validación.
6. ¿Por qué la validación cruzada ordinaria de k veces es inapropiada para el pronóstico de series de tiempo?
   • Las series temporales tienen muy pocas filas
   • Los pliegues aleatorios pueden incluir datos futuros en el conjunto de entrenamiento utilizado para predecir el pasado.
   • Es demasiado rápido para series temporales.
   • Las series temporales no se pueden dividir en absoluto
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