Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra xác thực chéo

Kiểm tra cách xác thực dựa trên màn hình đầu tiên ước tính hiệu suất mô hình, ngăn ngừa rò rỉ và tách việc điều chỉnh siêu tham số khỏi đánh giá cuối cùng.

Đường dẫn hướng dẫn liên quanXác thực chéo
Câu hỏi 1 của 8

Trong xác thực chéo k-Fold tiêu chuẩn, mỗi điểm dữ liệu được sử dụng để thử nghiệm bao nhiêu lần?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Trong xác thực chéo k-Fold tiêu chuẩn, mỗi điểm dữ liệu được sử dụng để thử nghiệm bao nhiêu lần?
    • Đúng một lần
    • k lần
    • k-1 lần
    • Nó phụ thuộc vào hạt giống ngẫu nhiên
  2. Ưu điểm chính của xác thực chéo k-Fold so với phân chia thử nghiệm/tàu hỏa đơn lẻ là gì?
    • Nó luôn tăng độ chính xác của mô hình
    • Nó đưa ra ước tính tổng quát ổn định hơn, ít phụ thuộc vào may mắn hơn
    • Nó loại bỏ hoàn toàn sự cần thiết của một bộ thử nghiệm
    • Nó tăng tốc độ đào tạo mô hình
  3. Xác thực chéo k-fold phân tầng đặc biệt hữu ích khi:
    • Tập dữ liệu được cân bằng hoàn hảo
    • Dữ liệu là một chuỗi thời gian
    • Bạn có các lớp không cân bằng và muốn mỗi lớp giữ tỷ lệ lớp tương tự
    • Bạn muốn đào tạo trên toàn bộ tập dữ liệu cùng một lúc
  4. Xác thực chéo loại bỏ một lần (LOOCV) đặt số lần k bằng:
    • 2
    • 10
    • Số lượng tính năng
    • Số lượng mẫu trong tập dữ liệu
  5. Để tránh rò rỉ dữ liệu trong quá trình xác thực chéo, các bước tiền xử lý như chia tỷ lệ tính năng phải là:
    • Chỉ vừa với mỗi nếp gấp huấn luyện, sau đó áp dụng cho nếp gấp xác thực
    • Phù hợp với tập dữ liệu đầy đủ trước khi chia thành các phần
    • Đã bỏ qua hoàn toàn
    • Chỉ thực hiện trên các nếp gấp xác nhận
  6. Tại sao việc xác thực chéo k-fold thông thường lại không phù hợp để dự báo chuỗi thời gian?
    • Chuỗi thời gian có quá ít hàng
    • Các nếp gấp ngẫu nhiên có thể đưa dữ liệu trong tương lai vào tập huấn luyện được sử dụng để dự đoán quá khứ
    • Nó quá nhanh đối với chuỗi thời gian
    • Chuỗi thời gian hoàn toàn không thể phân chia được
  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