Kuis Validasi Silang

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Dalam validasi silang k-fold standar, berapa kali setiap titik data digunakan untuk pengujian?
   • Tepat sekali
   • k kali
   • k-1 kali
   • Itu tergantung pada benih acak
2. Apa keuntungan utama validasi silang k-fold dibandingkan satu pelatihan/pengujian?
   • Itu selalu meningkatkan akurasi model
   • Ini memberikan perkiraan generalisasi yang lebih stabil dan tidak terlalu bergantung pada keberuntungan
   • Ini menghilangkan kebutuhan akan set pengujian sepenuhnya
   • Ini mempercepat pelatihan model
3. Validasi silang k-fold bertingkat sangat berguna ketika:
   • Kumpulan datanya sangat seimbang
   • Datanya adalah deret waktu
   • Anda memiliki kelas yang tidak seimbang dan ingin setiap kelompok mempertahankan proporsi kelas yang sama
   • Anda ingin melatih seluruh kumpulan data sekaligus
4. Validasi silang keluar satu kali (LOOCV) menetapkan jumlah lipatan k sama dengan:
   • 2
   • 10
   • Jumlah fitur
   • Jumlah sampel dalam kumpulan data
5. Untuk menghindari kebocoran data selama validasi silang, langkah-langkah prapemrosesan seperti penskalaan fitur harus dilakukan sebagai berikut:
   • Cocokkan hanya di dalam setiap lipatan pelatihan, lalu diterapkan ke lipatan validasi
   • Cocokkan pada kumpulan data lengkap sebelum dipecah menjadi beberapa bagian
   • Dilewatkan seluruhnya
   • Dilakukan hanya pada lipatan validasi
6. Mengapa validasi silang k-fold biasa tidak sesuai untuk perkiraan deret waktu?
   • Deret waktu memiliki terlalu sedikit baris
   • Lipatan acak dapat memasukkan data masa depan ke dalam set pelatihan yang digunakan untuk memprediksi masa lalu
   • Ini terlalu cepat untuk deret waktu
   • Deret waktu tidak dapat dipisahkan sama sekali
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