Quiz collegato alla guida · Medio Livello

Quiz di convalida incrociata

Controlla in che modo la convalida fold-based stima le prestazioni del modello, previene le perdite e separa l'ottimizzazione degli iperparametri dalla valutazione finale.

Percorsi guida correlatiConvalida incrociata
Domanda 1 di 8

Nella convalida incrociata k-fold standard, quante volte ciascun punto dati viene utilizzato per i test?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Nella convalida incrociata k-fold standard, quante volte ciascun punto dati viene utilizzato per i test?
    • Esattamente una volta
    • k volte
    • k-1 volte
    • Dipende dal seme casuale
  2. Qual è il vantaggio principale della convalida incrociata k-fold rispetto a una singola suddivisione treno/test?
    • Aumenta sempre la precisione del modello
    • Fornisce una stima della generalizzazione più stabile e meno dipendente dalla fortuna
    • Elimina completamente la necessità di un set di test
    • Accelera l'addestramento del modello
  3. La convalida incrociata k-fold stratificata è particolarmente utile quando:
    • Il set di dati è perfettamente bilanciato
    • I dati sono una serie temporale
    • Hai classi sbilanciate e desideri che ogni piega mantenga proporzioni di classe simili
    • Vuoi eseguire il training sull'intero set di dati contemporaneamente
  4. La convalida incrociata Leave-One-Out (LOOCV) imposta il numero di pieghe k uguale a:
    • 2
    • 10
    • Il numero di funzionalità
    • Il numero di campioni nel set di dati
  5. Per evitare perdite di dati durante la convalida incrociata, i passaggi di preelaborazione come il ridimensionamento delle funzionalità dovrebbero essere:
    • Si adatta solo all'interno di ciascuna piega di allenamento, quindi applicato alla piega di convalida
    • Adatta l'intero set di dati prima di suddividerlo in pieghe
    • Saltato del tutto
    • Fatto solo sulle pieghe di validazione
  6. Perché la validazione incrociata ordinaria k-fold è inappropriata per le previsioni di serie temporali?
    • Le serie temporali hanno troppo poche righe
    • Le pieghe casuali possono inserire dati futuri nel set di addestramento utilizzato per prevedere il passato
    • È troppo veloce per le serie temporali
    • Le serie temporali non possono essere affatto suddivise
  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