Тест для перекрестной проверки

Ответы и пояснения появляются по мере прохождения теста.

1. Сколько раз каждая точка данных используется для тестирования при стандартной k-кратной перекрестной проверке?
   • Ровно один раз
   • k раз
   • к-1 раз
   • Это зависит от случайного семени
2. В чем основное преимущество k-кратной перекрестной проверки по сравнению с разделением одного поезда/теста?
   • Это всегда повышает точность модели.
   • Это дает более стабильную и менее зависящую от удачи оценку обобщения.
   • Это полностью устраняет необходимость в тестовом наборе.
   • Это ускоряет обучение модели
3. Стратифицированная k-кратная перекрестная проверка особенно полезна, когда:
   • Набор данных идеально сбалансирован
   • Данные представляют собой временной ряд
   • У вас несбалансированные классы, и вы хотите, чтобы в каждом сгибе сохранялись одинаковые пропорции классов.
   • Вы хотите тренироваться на всем наборе данных одновременно.
4. Перекрестная проверка с исключением одного (LOOCV) устанавливает количество сверток k равным:
   • 2
   • 10
   • Количество функций
   • Количество образцов в наборе данных
5. Чтобы избежать утечки данных во время перекрестной проверки, этапы предварительной обработки, такие как масштабирование признаков, должны быть следующими:
   • Подходит только внутри каждой обучающей складки, затем применяется к проверочной сгибу
   • Подгонять полный набор данных перед разделением на складки
   • Пропущено полностью
   • Выполнено только на проверочных складках
6. Почему обычная перекрестная проверка в k-кратном размере непригодна для прогнозирования временных рядов?
   • Временной ряд содержит слишком мало строк
   • Случайные складки могут поместить будущие данные в обучающий набор, используемый для прогнозирования прошлого.
   • Это слишком быстро для временных рядов
   • Временной ряд вообще нельзя разделить
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