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.

Gerelateerde gidspadenKruisvalidatie
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.

  1. 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
  2. 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
  3. 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
  4. Leave-one-out kruisvalidatie (LOOCV) stelt het aantal vouwen k gelijk aan:
    • 2
    • 10
    • Het aantal functies
    • Het aantal monsters in de gegevensset
  5. 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
  6. 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
  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