Test de validare încrucișată

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. În validarea încrucișată standard k-fold, de câte ori este folosit fiecare punct de date pentru testare?
   • Exact o dată
   • k ori
   • k-1 ori
   • Depinde de sămânța aleatorie
2. Care este principalul avantaj al validării încrucișate k-fold față de o singură împărțire de tren/test?
   • Întotdeauna crește precizia modelului
   • Oferă o estimare a generalizării mai stabilă, mai puțin dependentă de noroc
   • Îndepărtează complet necesitatea unui set de testare
   • Accelerează antrenamentul modelului
3. Validarea încrucișată stratificată în k-fold este utilă în special atunci când:
   • Setul de date este perfect echilibrat
   • Datele sunt o serie de timp
   • Aveți clase dezechilibrate și doriți ca fiecare fold să păstreze proporții de clasă similare
   • Vrei să te antrenezi asupra întregului set de date simultan
4. Validarea încrucișată Leave-one-out (LOOCV) stabilește numărul de pliuri k egal cu:
   • 2
   • 10
   • Numărul de caracteristici
   • Numărul de mostre din setul de date
5. Pentru a evita scurgerea datelor în timpul validării încrucișate, pașii de preprocesare precum scalarea caracteristicilor ar trebui să fie:
   • Se potrivește numai în interiorul fiecărei pliuri de antrenament, apoi se aplică pe pliul de validare
   • Încadrați pe setul de date complet înainte de a fi împărțit în pliuri
   • Sarit cu totul
   • Efectuat numai pe pliurile de validare
6. De ce validarea încrucișată obișnuită în k-fold este inadecvată pentru prognoza în serie de timp?
   • Seriile temporale au prea puține rânduri
   • Pliurile aleatorii pot pune date viitoare în setul de antrenament folosit pentru a prezice trecutul
   • Este prea rapid pentru serii de timp
   • Serii de timp nu pot fi împărțite deloc
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