No necesariamente, si entiendo tu pregunta correctamente. Por una validación cruzada “más pequeña”, supongo que te refieres a usar menos variables / predictores. Como he dicho en otras respuestas, el modelado predictivo es a menudo tanto arte como ciencia. Por lo tanto, lo que constituye un modelo “mejor” no siempre es cortar y secar. Por ejemplo, uno de mis profesores me explicó una vez que, dados dos modelos con un poder predictivo similar, a veces sería preferible usar el modelo más fácil de explicar, incluso si fuera un poco menos predictivo porque, a menudo, el análisis predictivo es tanto sobre contar la historia de los datos, ya que se trata de descifrar números. Puede haber ocasiones en las que incluya variables en un modelo que tengan poco poder predictivo porque son las que los no estadísticos esperarían intuitivamente que se incluyan y no incluirlas pondrían el modelo en cuestión y / o requerirían mucha explicación.
Entonces, tl; dr, un modelo más pequeño (menos variables) o una validación cruzada más pequeña no siempre es mejor. Pero, si todo lo demás es igual, cuantas menos variables sean necesarias para lograr un determinado nivel de poder predictivo, mejor.
- ¿Cuáles son los componentes básicos del reconocimiento de voz desde el punto de vista DSP?
- Cómo optimizar la clasificación de varias clases si ya conozco el número de ocurrencias de cada clase en el conjunto de datos de prueba
- ¿Cuál es el enfoque más eficiente para los sistemas de recomendación?
- ¿Cuáles son las ideas principales detrás de los principales algoritmos de clasificación de búsqueda?
- ¿Cómo se usa el aprendizaje automático en DevOps?
