რა არის ჰოლდაუტის ნაკრები? ხანდახან მოიხსენიება როგორც „ტესტირების“მონაცემები, დაკავების ქვეჯგუფი უზრუნველყოფს მანქანური სწავლების მოდელის მუშაობის საბოლოო შეფასებას მას შემდეგ, რაც ის მომზადდება და დადასტურებულია. Holdout კომპლექტები არ უნდა იქნას გამოყენებული გადაწყვეტილების მისაღებად, თუ რომელი ალგორითმები გამოიყენოს, ან ალგორითმების გაუმჯობესების ან დარეგულირებისთვის.
ჯვარედინი ვალიდაცია უკეთესია, ვიდრე გამართვა?
ჯვარედინი ვალიდაცია, როგორც წესი, სასურველი მეთოდია, რადგან ის თქვენს მოდელს აძლევს შესაძლებლობას ივარჯიშოს მრავალჯერადი ტრენინგის ტესტის გაყოფაზე. ეს გაძლევს უკეთეს მითითებას, თუ რამდენად კარგად იმოქმედებს თქვენი მოდელი უხილავ მონაცემებზე. მეორეს მხრივ, შეჩერება დამოკიდებულია მხოლოდ ერთი მატარებლის ტესტის გაყოფაზე.
რა არის Holout მიდგომა?
Holdout მეთოდი არის ყველაზე მარტივი მეთოდი კლასიფიკატორის შესაფასებლად. ამ მეთოდით მონაცემთა ნაკრები (მონაცემთა ერთეულების ან მაგალითების კრებული) იყოფა ორ ნაწილად, რომელსაც ეწოდება ტრენინგის ნაკრები და ტესტის ნაკრები. კლასიფიკატორი ასრულებს მოცემულ კოლექციაში მონაცემთა ელემენტების სამიზნე კატეგორიას ან კლასს მინიჭების ფუნქციას.
ყოველთვის უნდა გავაკეთო ჯვარედინი ვალიდაცია?
ზოგადად ჯვარედინი ვალიდაცია არის ყოველთვის საჭიროა, როცა გჭირდებათ მოდელის ოპტიმალური პარამეტრების განსაზღვრა, ლოგისტიკური რეგრესიისთვის ეს იქნება C პარამეტრი.
რა უპირატესობა აქვს K-fold cross validation?
თუ შევადარებთ ტესტის MSE-ები უკეთესია k-ჯერ CV-ის შემთხვევაში, ვიდრე LOOCV. k-ჯერ CV ან CV-ის ნებისმიერი ან ხელახალი შერჩევის მეთოდი არ არისტესტის შეცდომების გაუმჯობესება. ისინი აფასებენ ტესტის შეცდომებს. k-დაკეცვის შემთხვევაში, ის უკეთესს ასრულებს შეცდომის შეფასებას, ვიდრე LOOCV.
