Rehber bağlantılı sınav · Orta Seviye

Çapraz Doğrulama Sınavı

Katlama tabanlı doğrulamanın model performansını nasıl tahmin ettiğini, sızıntıyı nasıl önlediğini ve hiperparametre ayarlamasını son değerlendirmeden nasıl ayırdığını kontrol edin.

İlgili kılavuz yollarıÇapraz Doğrulama
Soru 1 arasında 8

Standart k-katlı çapraz doğrulamada, test için her veri noktası kaç kez kullanılır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Standart k-katlı çapraz doğrulamada, test için her veri noktası kaç kez kullanılır?
    • Tam olarak bir kez
    • k kere
    • k-1 kez
    • Rastgele tohuma bağlıdır
  2. Tek bir eğitim/test bölünmesine göre k-katlı çapraz doğrulamanın ana avantajı nedir?
    • Her zaman model doğruluğunu artırır
    • Daha istikrarlı, daha az şansa bağlı bir genelleme tahmini verir
    • Test seti ihtiyacını tamamen ortadan kaldırır
    • Model eğitimini hızlandırır
  3. Katmanlı k-katlı çapraz doğrulama özellikle şu durumlarda faydalıdır:
    • Veri kümesi mükemmel şekilde dengelenmiştir
    • Veriler bir zaman serisidir
    • Dengesiz sınıflarınız var ve her katlamanın benzer sınıf oranlarını korumasını istiyorsunuz
    • Tüm veri kümesi üzerinde aynı anda eğitim almak istiyorsunuz
  4. Birini dışarıda bırakma çapraz doğrulaması (LOOCV), k katlama sayısını şuna eşit olarak ayarlar:
    • 2
    • 10
    • Özellik sayısı
    • Veri kümesindeki örnek sayısı
  5. Çapraz doğrulama sırasında veri sızıntısını önlemek için özellik ölçeklendirme gibi ön işleme adımları şöyle olmalıdır:
    • Yalnızca her eğitim katının içine sığdırın, ardından doğrulama katının üzerine uygulayın
    • Kıvrımlara ayrılmadan önce tüm veri kümesini sığdırın
    • Tamamen atlandı
    • Yalnızca doğrulama katlamalarında yapılır
  6. Sıradan k-katlı çapraz doğrulama neden zaman serisi tahmini için uygun değildir?
    • Zaman serisinde çok az satır var
    • Rastgele katlamalar, geçmişi tahmin etmek için kullanılan eğitim setine gelecekteki verileri koyabilir
    • Zaman serisi için çok hızlı
    • Zaman serileri hiçbir şekilde bölünemez
  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