Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Keresztellenőrzési kvíz
Check how fold-based validation estimates model performance, prevents leakage, and separates hyperparameter tuning from final evaluation.
kérdés 1 -ból 8
A szabványos k-szeres keresztellenőrzésben hányszor használják az egyes adatpontokat a teszteléshez?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- A szabványos k-szeres keresztellenőrzésben hányszor használják az egyes adatpontokat a teszteléshez?
- Pontosan egyszer
- k alkalommal
- k-1 alkalommal
- Ez a véletlenszerű magtól függ
- Mi a fő előnye a k-szeres keresztellenőrzésnek egyetlen vonat/teszt felosztással szemben?
- Mindig növeli a modell pontosságát
- Stabilabb, kevésbé szerencsefüggő becslést ad az általánosításra
- Teljesen megszünteti a tesztkészlet szükségességét
- Felgyorsítja a modellképzést
- A rétegzett k-szeres keresztellenőrzés különösen hasznos, ha:
- Az adatkészlet tökéletesen kiegyensúlyozott
- Az adatok idősorok
- Kiegyensúlyozatlan osztályai vannak, és azt szeretné, hogy minden hajtás hasonló osztályarányokat tartson
- Egyszerre szeretne betanítani a teljes adatkészletre
- A kihagyás keresztellenőrzése (LOOCV) a k hajtások számát a következő értékkel egyenlő:
- 2
- 10
- A funkciók száma
- Az adatkészletben lévő minták száma
- Az adatszivárgás elkerülése érdekében a keresztellenőrzés során az előfeldolgozási lépéseknek, például a funkcióméretezésnek a következőknek kell lenniük:
- Csak az egyes edzési hajtások belsejébe illeszkedjen, majd alkalmazza az érvényesítő hajtásra
- Illeszkedjen a teljes adatkészletre, mielőtt hajtásokra osztaná
- Teljesen kihagyva
- Csak az érvényesítő hajtásokon történik
- Miért nem megfelelő a k-szeres keresztellenőrzés idősoros előrejelzéshez?
- Az idősorok túl kevés sort tartalmaznak
- A véletlenszerű hajtások jövőbeli adatokat helyezhetnek el a múlt előrejelzésére használt képzési halmazban
- Túl gyors az idősorokhoz
- Az idősorokat egyáltalán nem lehet felosztani
- 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