แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการตรวจสอบข้าม
ตรวจสอบว่าการตรวจสอบความถูกต้องแบบพับประมาณการประสิทธิภาพของโมเดล ป้องกันการรั่วไหล และแยกการปรับแต่งไฮเปอร์พารามิเตอร์ออกจากการประเมินขั้นสุดท้ายอย่างไร
คำถาม 1 ของ 8
ในการตรวจสอบความถูกต้องข้าม k-fold แบบมาตรฐาน แต่ละจุดข้อมูลใช้ในการทดสอบกี่ครั้ง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ในการตรวจสอบความถูกต้องข้าม k-fold แบบมาตรฐาน แต่ละจุดข้อมูลใช้ในการทดสอบกี่ครั้ง
- ครั้งเดียวเลย
- k ครั้ง
- k-1 ครั้ง
- ขึ้นอยู่กับเมล็ดสุ่ม
- ข้อได้เปรียบหลักของการตรวจสอบความถูกต้องข้าม k-fold บนการแยกรถไฟ/การทดสอบเดี่ยวคืออะไร
- มันเพิ่มความแม่นยำของโมเดลเสมอ
- มันให้ค่าประมาณลักษณะทั่วไปที่เสถียรกว่าและขึ้นอยู่กับโชคน้อยกว่า
- โดยไม่จำเป็นต้องใช้ชุดทดสอบเลย
- มันช่วยเร่งการฝึกโมเดล
- การตรวจสอบความถูกต้องข้ามแบบแบ่งชั้น k-fold มีประโยชน์อย่างยิ่งเมื่อ:
- ชุดข้อมูลมีความสมดุลอย่างสมบูรณ์แบบ
- ข้อมูลเป็นอนุกรมเวลา
- คุณมีคลาสที่ไม่สมดุล และต้องการให้แต่ละพับรักษาสัดส่วนคลาสที่ใกล้เคียงกัน
- คุณต้องการฝึกชุดข้อมูลทั้งหมดพร้อมกัน
- การตรวจสอบความถูกต้องแบบ cross-one-out (LOOCV) จะกำหนดจำนวนพับ k เท่ากับ:
- 2
- 10
- จำนวนคุณสมบัติ
- จำนวนตัวอย่างในชุดข้อมูล
- เพื่อหลีกเลี่ยงการรั่วไหลของข้อมูลระหว่างการตรวจสอบข้าม ขั้นตอนการประมวลผลล่วงหน้า เช่น การปรับขนาดฟีเจอร์ควรเป็นดังนี้
- ติดตั้งไว้ภายในพับการฝึกอบรมแต่ละพับเท่านั้น จากนั้นนำไปใช้กับพับการตรวจสอบ
- พอดีกับชุดข้อมูลทั้งหมดก่อนที่จะแบ่งออกเป็นพับ
- ข้ามไปโดยสิ้นเชิง
- ดำเนินการเฉพาะในการตรวจสอบความถูกต้องเท่านั้น
- เหตุใดการตรวจสอบข้าม k-fold แบบธรรมดาจึงไม่เหมาะสมสำหรับการพยากรณ์อนุกรมเวลา
- อนุกรมเวลามีแถวน้อยเกินไป
- การพับแบบสุ่มสามารถใส่ข้อมูลในอนาคตในชุดการฝึกที่ใช้ในการทำนายอดีต
- มันเร็วเกินไปสำหรับอนุกรมเวลา
- อนุกรมเวลาไม่สามารถแยกออกได้เลย
- 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