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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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