Co to jest zestaw Holdout? Czasami określane jako dane „testowe”, podzbiór wstrzymania zapewnia końcowe oszacowanie wydajności modelu uczenia maszynowego po jego przeszkoleniu i zweryfikowaniu. Zestawy Holdout nigdy nie powinny być używane do podejmowania decyzji o tym, których algorytmów użyć, ani do ulepszania lub dostrajania algorytmów.
Czy sprawdzanie poprawności krzyżowej jest lepsze niż wstrzymanie?
Weryfikacja krzyżowa jest zwykle preferowaną metodą, ponieważ daje ona Twojemu modelowi możliwość trenowania na wielu odcinkach testów pociągu. Daje to lepsze wskazanie, jak dobrze Twój model będzie działał na niewidocznych danych. Z drugiej strony wstrzymanie zależy od tylko jednego okresu próbnego pociągu.
Co to jest podejście do wstrzymania?
Metoda wstrzymania to najprostszy rodzaj metody oceny klasyfikatora. W tej metodzie zbiór danych (zbiór elementów danych lub przykładów) jest podzielony na dwa zbiory, zwane zbiorem treningowym i zbiorem testowym. Klasyfikator wykonuje funkcję przypisywania elementów danych w danej kolekcji do docelowej kategorii lub klasy.
Czy zawsze powinienem przeprowadzać weryfikację krzyżową?
Ogólnie walidacja krzyżowa jest zawsze potrzebna, gdy trzeba określić optymalne parametry modelu, dla regresji logistycznej byłby to parametr C.
Jaka jest zaleta walidacji krzyżowej K-fold?
jeśli porównasz testowe MSE, są lepsze w przypadku k-krotnego CV niż LOOCV. k-fold CV lub jakiekolwiek CV lub metody resamplingu niepoprawić błędy testowe. szacują błędy testowe. w przypadku k-fold, wykonuje lepszą pracę szacowania błędu niż LOOCV.
