क्रॉस-वैलिडेशन क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. मानक के-फोल्ड क्रॉस-वैलिडेशन में, परीक्षण के लिए प्रत्येक डेटा बिंदु का कितनी बार उपयोग किया जाता है?
   • बिल्कुल एक बार
   • k बार
   • के-1 बार
   • यह यादृच्छिक बीज पर निर्भर करता है
2. एकल ट्रेन/टेस्ट स्प्लिट की तुलना में के-फोल्ड क्रॉस-वैलिडेशन का मुख्य लाभ क्या है?
   • यह हमेशा मॉडल सटीकता बढ़ाता है
   • यह सामान्यीकरण का अधिक स्थिर, कम भाग्य-निर्भर अनुमान देता है
   • यह परीक्षण सेट की आवश्यकता को पूरी तरह से हटा देता है
   • यह मॉडल प्रशिक्षण को गति देता है
3. स्तरीकृत के-फ़ोल्ड क्रॉस-सत्यापन विशेष रूप से तब उपयोगी होता है जब:
   • डेटासेट बिल्कुल संतुलित है
   • डेटा एक समय श्रृंखला है
   • आपके पास असंतुलित वर्ग हैं और आप चाहते हैं कि प्रत्येक तह समान वर्ग अनुपात रखे
   • आप एक ही बार में संपूर्ण डेटासेट पर प्रशिक्षण लेना चाहते हैं
4. लीव-वन-आउट क्रॉस-वैलिडेशन (LOOCV) फोल्ड k की संख्या को इसके बराबर सेट करता है:
   • 2
   • 10
   • सुविधाओं की संख्या
   • डेटासेट में नमूनों की संख्या
5. क्रॉस-वैलिडेशन के दौरान डेटा लीक से बचने के लिए, फीचर स्केलिंग जैसे प्रीप्रोसेसिंग चरण होने चाहिए:
   • केवल प्रत्येक प्रशिक्षण फ़ोल्ड के अंदर फ़िट करें, फिर सत्यापन फ़ोल्ड पर लागू करें
   • तहों में विभाजित होने से पहले संपूर्ण डेटासेट को फ़िट करें
   • पूरी तरह से छोड़ दिया गया
   • केवल सत्यापन तहों पर किया गया
6. समय-श्रृंखला पूर्वानुमान के लिए सामान्य के-फ़ोल्ड क्रॉस-सत्यापन अनुपयुक्त क्यों है?
   • समय श्रृंखला में बहुत कम पंक्तियाँ हैं
   • रैंडम फोल्ड्स भविष्य के डेटा को अतीत की भविष्यवाणी करने के लिए उपयोग किए जाने वाले प्रशिक्षण सेट में डाल सकते हैं
   • यह समय श्रृंखला के लिए बहुत तेज़ है
   • समय श्रृंखला को बिल्कुल भी विभाजित नहीं किया जा सकता है
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