แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการตรวจสอบข้าม

ตรวจสอบว่าการตรวจสอบความถูกต้องแบบพับประมาณการประสิทธิภาพของโมเดล ป้องกันการรั่วไหล และแยกการปรับแต่งไฮเปอร์พารามิเตอร์ออกจากการประเมินขั้นสุดท้ายอย่างไร

เส้นทางแนะนำที่เกี่ยวข้องการตรวจสอบข้าม
คำถาม 1 ของ 8

ในการตรวจสอบความถูกต้องข้าม k-fold แบบมาตรฐาน แต่ละจุดข้อมูลใช้ในการทดสอบกี่ครั้ง

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ในการตรวจสอบความถูกต้องข้าม k-fold แบบมาตรฐาน แต่ละจุดข้อมูลใช้ในการทดสอบกี่ครั้ง
    • ครั้งเดียวเลย
    • k ครั้ง
    • k-1 ครั้ง
    • ขึ้นอยู่กับเมล็ดสุ่ม
  2. ข้อได้เปรียบหลักของการตรวจสอบความถูกต้องข้าม k-fold บนการแยกรถไฟ/การทดสอบเดี่ยวคืออะไร
    • มันเพิ่มความแม่นยำของโมเดลเสมอ
    • มันให้ค่าประมาณลักษณะทั่วไปที่เสถียรกว่าและขึ้นอยู่กับโชคน้อยกว่า
    • โดยไม่จำเป็นต้องใช้ชุดทดสอบเลย
    • มันช่วยเร่งการฝึกโมเดล
  3. การตรวจสอบความถูกต้องข้ามแบบแบ่งชั้น k-fold มีประโยชน์อย่างยิ่งเมื่อ:
    • ชุดข้อมูลมีความสมดุลอย่างสมบูรณ์แบบ
    • ข้อมูลเป็นอนุกรมเวลา
    • คุณมีคลาสที่ไม่สมดุล และต้องการให้แต่ละพับรักษาสัดส่วนคลาสที่ใกล้เคียงกัน
    • คุณต้องการฝึกชุดข้อมูลทั้งหมดพร้อมกัน
  4. การตรวจสอบความถูกต้องแบบ cross-one-out (LOOCV) จะกำหนดจำนวนพับ k เท่ากับ:
    • 2
    • 10
    • จำนวนคุณสมบัติ
    • จำนวนตัวอย่างในชุดข้อมูล
  5. เพื่อหลีกเลี่ยงการรั่วไหลของข้อมูลระหว่างการตรวจสอบข้าม ขั้นตอนการประมวลผลล่วงหน้า เช่น การปรับขนาดฟีเจอร์ควรเป็นดังนี้
    • ติดตั้งไว้ภายในพับการฝึกอบรมแต่ละพับเท่านั้น จากนั้นนำไปใช้กับพับการตรวจสอบ
    • พอดีกับชุดข้อมูลทั้งหมดก่อนที่จะแบ่งออกเป็นพับ
    • ข้ามไปโดยสิ้นเชิง
    • ดำเนินการเฉพาะในการตรวจสอบความถูกต้องเท่านั้น
  6. เหตุใดการตรวจสอบข้าม k-fold แบบธรรมดาจึงไม่เหมาะสมสำหรับการพยากรณ์อนุกรมเวลา
    • อนุกรมเวลามีแถวน้อยเกินไป
    • การพับแบบสุ่มสามารถใส่ข้อมูลในอนาคตในชุดการฝึกที่ใช้ในการทำนายอดีต
    • มันเร็วเกินไปสำหรับอนุกรมเวลา
    • อนุกรมเวลาไม่สามารถแยกออกได้เลย
  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