ასე რომ, არავითარი მნიშვნელობა არ უნდა ჰქონდეს, შეარევთ -ს თუ არა ტესტის ან ვალიდაციის მონაცემებს (თუ არ გამოთვლით რაიმე მეტრიკას, რომელიც დამოკიდებულია ნიმუშების თანმიმდევრობაზე), იმის გათვალისწინებით, რომ თქვენ არ გამოთვლით რაიმე გრადიენტს, არამედ მხოლოდ დანაკარგს ან რაიმე მეტრულ/ზომას, როგორიცაა სიზუსტე, რომელიც არ არის მგრძნობიარე რიგის მიმართ…
რატომ უნდა მოხდეს მონაცემების არევა ჯვარედინი ვალიდაციის გამოყენებისას?
ეს ეხმარება ტრენინგის სწრაფად დაახლოებას . ის თავიდან აიცილებს რაიმე მიკერძოებას ვარჯიშის დროს. ეს ხელს უშლის მოდელს ისწავლოს ტრენინგის თანმიმდევრობა.
შემიძლია შევაერთო ვალიდაციის ნაკრები?
მოდელი პირველად ივარჯიშება A-ზე და B-ზე კომბინირებული, როგორც ტრენინგის ნაკრები, და ფასდება ვალიდაციის C კომპლექტზე. … ჯვარედინი ვალიდაცია მუშაობს მხოლოდ იმავე შემთხვევებში, როდესაც თქვენ შეგიძლიათ შემთხვევით აურიოთ თქვენი მონაცემები, რათა აირჩიოთ ვალიდაციის ნაკრები..
რისთვის გამოიყენება მონაცემთა არევა?
მონაცემთა არევა. მარტივად რომ ვთქვათ, შერევის ტექნიკა მიზნად ისახავს მონაცემთა შერევას და სურვილისამებრ შეიძლება შეინარჩუნოს ლოგიკური ურთიერთობებისვეტებს შორის. ის შემთხვევით არევს მონაცემებს მონაცემთა ნაკრებიდან ატრიბუტის ფარგლებში (მაგ. სვეტი სუფთა ბრტყელ ფორმატში) ან ატრიბუტების ნაკრების (მაგ. სვეტების ნაკრები).
აქვს თუ არა მნიშვნელობა მონაცემთა თანმიმდევრობას მანქანურ სწავლებაში?
აქვს თუ არა მნიშვნელობა სასწავლო მონაცემების თანმიმდევრობას ნერვული ქსელების ვარჯიშისას? - კვორა. ძალზე მნიშვნელოვანია ტრენინგის მონაცემების შერწყმა, ისე, რომ არ მიიღოთ უაღრესად კორელაციური მაგალითების მთელი მცირე პარტიები. სანამმონაცემები შერეულია, ყველაფერი კარგად უნდა მუშაობდეს.
