Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący weryfikacji krzyżowej
Sprawdź, jak walidacja oparta na złożeniu szacuje wydajność modelu, zapobiega wyciekom i oddziela strojenie hiperparametrów od oceny końcowej.
Pytanie 1 z 8
Ile razy każdy punkt danych jest używany do testowania w standardowej k-krotnej walidacji krzyżowej?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Ile razy każdy punkt danych jest używany do testowania w standardowej k-krotnej walidacji krzyżowej?
- Dokładnie raz
- k razy
- k-1 razy
- To zależy od losowego materiału siewnego
- Jaka jest główna zaleta k-krotnej walidacji krzyżowej w porównaniu z pojedynczym podziałem pociągu/testu?
- Zawsze zwiększa dokładność modelu
- Daje bardziej stabilne, mniej zależne od szczęścia oszacowanie uogólnienia
- Całkowicie eliminuje potrzebę stosowania zestawu testowego
- Przyspiesza uczenie modelu
- Warstwowa k-krotna walidacja krzyżowa jest szczególnie przydatna, gdy:
- Zbiór danych jest doskonale zrównoważony
- Dane stanowią szereg czasowy
- Masz niezrównoważone klasy i chcesz, aby każde złożenie zachowało podobne proporcje klas
- Chcesz trenować na całym zestawie danych jednocześnie
- Walidacja krzyżowa typu Leave-one-out (LOOCV) ustawia liczbę fałd k równą:
- 2
- 10
- Liczba funkcji
- Liczba próbek w zbiorze danych
- Aby uniknąć wycieku danych podczas sprawdzania krzyżowego, etapy wstępnego przetwarzania, takie jak skalowanie funkcji, powinny być następujące:
- Dopasuj tylko do każdej fałdy treningowej, a następnie nałóż na fałdę walidacyjną
- Dopasuj pełny zestaw danych przed podzieleniem na fałdy
- Całkowicie pominięte
- Wykonywane wyłącznie na zakładkach sprawdzających
- Dlaczego zwykła k-krotna weryfikacja krzyżowa jest nieodpowiednia do prognozowania szeregów czasowych?
- Szeregi czasowe mają za mało wierszy
- Losowe fałdy mogą umieszczać przyszłe dane w zestawie szkoleniowym używanym do przewidywania przeszłości
- Jest za szybki dla szeregów czasowych
- Szeregów czasowych w ogóle nie można dzielić
- 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