引導式測驗 · 中等 等級
交叉驗證測驗
檢查基於折疊的驗證如何評估模型性能、防止洩漏以及將超參數調整與最終評估分開。
問題 1 的 8
在標準的 k 折交叉驗證中,每個資料點用於測試多少次?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 在標準的 k 折交叉驗證中,每個資料點用於測試多少次?
- 正好一次
- k次
- k-1次
- 這取決於隨機種子
- 與單次訓練/測試分割相比,k 折交叉驗證的主要優點是什麼?
- 它總是會提高模型的準確性
- 它給出了更穩定、更少依賴運氣的泛化估計
- 它完全消除了對測試集的需要
- 它加快了模型訓練速度
- 分層 k 重交叉驗證在以下情況特別有用:
- 資料集完美平衡
- 資料是一個時間序列
- 您的類別不平衡,並且希望每次折疊保持相似的類別比例
- 您要立即對整個資料集進行訓練
- 留一法交叉驗證 (LOOCV) 將折疊數 k 設定為:
- 2
- 10
- 特徵數量
- 資料集中的樣本數量
- 為了避免交叉驗證期間的資料洩漏,特徵縮放等預處理步驟應該是:
- 僅適合每個訓練折疊內部,然後應用於驗證折疊
- 在分割成折疊之前適合完整的資料集
- 完全跳過
- 僅在驗證折疊上完成
- 為什麼普通的k折交叉驗證不適合時間序列預測?
- 時間序列的行數太少
- 隨機折疊可以將未來的資料放入用於預測過去的訓練集中
- 對於時間序列來說太快了
- 時間序列根本無法分割
- 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