Вікторина, пов’язана з посібником · Середній Рівень

Перехресна перевірка

Перевірте, як перевірка на основі згортки оцінює продуктивність моделі, запобігає витоку та відокремлює налаштування гіперпараметрів від остаточної оцінки.

Пов'язані напрямні шляхиПерехресна перевірка
Питання 1 з 8

У стандартній k-кратній перехресній перевірці скільки разів кожна точка даних використовується для тестування?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. У стандартній k-кратній перехресній перевірці скільки разів кожна точка даних використовується для тестування?
    • Рівно раз
    • k разів
    • k-1 разів
    • Це залежить від випадкового початкового числа
  2. У чому головна перевага k-кратної перехресної перевірки перед одноразовим поділом на тренування/тест?
    • Це завжди підвищує точність моделі
    • Це дає більш стабільну, менш залежну від удачі оцінку узагальнення
    • Це повністю усуває потребу в тестовому наборі
    • Це прискорює навчання моделі
  3. Стратифікована k-кратна перехресна перевірка особливо корисна, коли:
    • Набір даних ідеально збалансований
    • Дані являють собою часовий ряд
    • У вас незбалансовані класи, і ви хочете, щоб кожна складка зберігала однакові пропорції класів
    • Ви хочете тренуватися на всьому наборі даних одночасно
  4. Перехресна перевірка з виключенням (LOOCV) встановлює кількість згорток k рівним:
    • 2
    • 10
    • Кількість функцій
    • Кількість зразків у наборі даних
  5. Щоб уникнути витоку даних під час перехресної перевірки, етапи попередньої обробки, такі як масштабування функцій, мають бути такими:
    • Розмістіть лише всередині кожної тренувальної складки, а потім нанесіть її на перевірочну складку
    • Розташуйте на повному наборі даних перед розбиттям на складки
    • Пропущено зовсім
    • Виконується лише на згинах перевірки
  6. Чому звичайна k-кратна перехресна перевірка не підходить для прогнозування часових рядів?
    • Часові ряди містять замало рядків
    • Випадкові складки можуть помістити майбутні дані в навчальний набір, який використовується для передбачення минулого
    • Це занадто швидко для часових рядів
    • Часові ряди взагалі не можна розбивати
  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