Questionário vinculado ao guia · Médio Nível

Questionário de validação cruzada

Verifique como a validação baseada em dobras estima o desempenho do modelo, evita vazamentos e separa o ajuste de hiperparâmetros da avaliação final.

Caminhos de guia relacionadosValidação Cruzada
Pergunta 1 de 8

Na validação cruzada k-fold padrão, quantas vezes cada ponto de dados é usado para teste?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Na validação cruzada k-fold padrão, quantas vezes cada ponto de dados é usado para teste?
    • Exatamente uma vez
    • k vezes
    • k-1 vezes
    • Depende da semente aleatória
  2. Qual é a principal vantagem da validação cruzada k-fold em relação a uma única divisão de trem/teste?
    • Sempre aumenta a precisão do modelo
    • Fornece uma estimativa de generalização mais estável e menos dependente da sorte
    • Ele elimina totalmente a necessidade de um conjunto de testes
    • Acelera o treinamento do modelo
  3. A validação cruzada estratificada k-fold é especialmente útil quando:
    • O conjunto de dados está perfeitamente equilibrado
    • Os dados são uma série temporal
    • Você tem classes desequilibradas e deseja que cada dobra mantenha proporções de classes semelhantes
    • Você deseja treinar todo o conjunto de dados de uma só vez
  4. A validação cruzada deixar um de fora (LOOCV) define o número de dobras k igual a:
    • 2
    • 10
    • O número de recursos
    • O número de amostras no conjunto de dados
  5. Para evitar vazamento de dados durante a validação cruzada, as etapas de pré-processamento, como dimensionamento de recursos, devem ser:
    • Ajustar apenas dentro de cada dobra de treinamento e depois aplicar na dobra de validação
    • Ajustar o conjunto de dados completo antes de dividir em dobras
    • Ignorado totalmente
    • Feito apenas nas dobras de validação
  6. Por que a validação cruzada k-fold comum é inadequada para previsão de séries temporais?
    • As séries temporais têm poucas linhas
    • Dobras aleatórias podem colocar dados futuros no conjunto de treinamento usado para prever o passado
    • É muito rápido para séries temporais
    • A série temporal não pode ser dividida de forma alguma
  7. Qual é o propósito da validação cruzada aninhada?
    • 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. Quais contagens de dobras são escolhas iniciais comuns para validação cruzada de k dobras?
    • Exactly two folds in every problem
    • One fold regardless of sample size
    • One thousand folds for every dataset
    • Five or ten folds