Gids-gekoppelde quiz · Middelmatig Niveau
Kruisvalidatiequiz
Controleer hoe op vouwen gebaseerde validatie de modelprestaties schat, lekkage voorkomt en het afstemmen van hyperparameters scheidt van de uiteindelijke evaluatie.
Vraag 1 van 8
Hoe vaak wordt elk datapunt bij standaard k-voudige kruisvalidatie gebruikt voor testen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Hoe vaak wordt elk datapunt bij standaard k-voudige kruisvalidatie gebruikt voor testen?
- Precies één keer
- k keer
- k-1 keer
- Het hangt af van het willekeurige zaad
- Wat is het belangrijkste voordeel van k-voudige kruisvalidatie ten opzichte van een enkele trein/test-splitsing?
- Het verhoogt altijd de nauwkeurigheid van het model
- Het geeft een stabielere, minder geluksafhankelijke schatting van generalisatie
- Het maakt de noodzaak voor een testset volledig overbodig
- Het versnelt de modeltraining
- Gestratificeerde k-voudige kruisvalidatie is vooral nuttig wanneer:
- De dataset is perfect uitgebalanceerd
- De gegevens zijn een tijdreeks
- Je hebt onevenwichtige klassen en wilt dat elke vouw dezelfde klassenverhoudingen behoudt
- U wilt in één keer trainen op de gehele gegevensset
- Leave-one-out kruisvalidatie (LOOCV) stelt het aantal vouwen k gelijk aan:
- 2
- 10
- Het aantal functies
- Het aantal monsters in de gegevensset
- Om gegevenslekken tijdens kruisvalidatie te voorkomen, moeten voorverwerkingsstappen zoals het schalen van functies als volgt zijn:
- Past alleen in elke trainingsvouw en wordt vervolgens aangebracht op de validatievouw
- Pas op de volledige gegevensset voordat deze in vouwen wordt opgesplitst
- Volledig overgeslagen
- Alleen gedaan op de validatievouwen
- Waarom is gewone k-voudige kruisvalidatie ongepast voor tijdreeksvoorspellingen?
- Tijdreeksen bevatten te weinig rijen
- Willekeurige vouwen kunnen toekomstige gegevens in de trainingsset plaatsen die wordt gebruikt om het verleden te voorspellen
- Het is te snel voor tijdreeksen
- Tijdreeksen kunnen helemaal niet worden gesplitst
- 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