교차 검증 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 표준 k-겹 교차 검증에서 각 데이터 포인트는 테스트에 몇 번 사용됩니까?
   • 정확히 한 번
   • k번
   • k-1번
   • 무작위 시드에 따라 다릅니다.
2. 단일 학습/테스트 분할에 비해 k-겹 교차 검증의 주요 이점은 무엇입니까?
   • 항상 모델 정확도가 높아집니다.
   • 보다 안정적이고 덜 운에 의존하는 일반화 추정치를 제공합니다.
   • 테스트 세트가 완전히 필요하지 않습니다.
   • 모델 훈련 속도를 높입니다.
3. 층화된 k-겹 교차 검증은 다음과 같은 경우에 특히 유용합니다.
   • 데이터 세트가 완벽하게 균형을 이루고 있습니다.
   • 데이터는 시계열이다
   • 클래스가 불균형하고 각 폴드가 유사한 클래스 비율을 유지하기를 원합니다.
   • 전체 데이터 세트를 한 번에 훈련하고 싶습니다.
4. LOOCV(Leave-one-out 교차 검증)는 접기 수 k를 다음과 같이 설정합니다.
   • 2
   • 10
   • 기능의 수
   • 데이터 세트의 샘플 수
5. 교차 검증 중 데이터 유출을 방지하려면 특성 크기 조정과 같은 전처리 단계는 다음과 같아야 합니다.
   • 각 학습 접기 내부에만 맞춘 다음 검증 접기에 적용
   • 접기로 분할하기 전에 전체 데이터세트에 맞춰보세요.
   • 완전히 건너뛰었습니다.
   • 유효성 검사 접기에서만 수행
6. 시계열 예측에 일반 k-겹 교차 검증이 부적합한 이유는 무엇입니까?
   • 시계열의 행이 너무 적습니다.
   • 무작위 접기는 과거를 예측하는 데 사용되는 훈련 세트에 미래 데이터를 넣을 수 있습니다.
   • 시계열에 비해 너무 빠릅니다.
   • 시계열을 전혀 분할할 수 없습니다.
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