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。

相關引導路徑交叉驗證
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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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