Las validaciones cruzadas son técnicas para medir la capacidad de generalización de cualquier regresión contra el sobreajuste u otras limitaciones mediante la comparación de varios modelos estadísticos, que se pueden utilizar para una mejor regresión por promedio de conjunto.
La validación convencional funciona con una sola partición de datos de muestra con un conjunto de entrenamiento y un conjunto de prueba, donde el conjunto de entrenamiento se usa para entrenar el modelo y el conjunto de prueba se usa para medir la capacidad de generalización del modelo entrenado. Por el contrario, la validación cruzada funciona con múltiples particiones de los datos de muestra para obtener más información sobre la capacidad de generalización de cualquier conjunto de datos.
- La validación cruzada Leave-k-out omitió la observación k en cada paso y la validación cruzada k-fold utiliza una de las k submuestras divididas aleatoriamente de la muestra original en cada paso.
- Las diferencias entre la validación cruzada de Monte Carlo (validación de submuestreo aleatorio repetido) y la validación cruzada k-fold se discuten aquí.
- En regresión lineal, la expresión de forma cerrada para validación cruzada está disponible.
- La validación cruzada con datos, que no son independientes, necesita validación cruzada relacionada con la dependencia, como la validación cruzada en series de tiempo, particiones de datos en diferentes segmentos de series temporales.
- ¿Cuáles son las configuraciones adecuadas para la agrupación de documentos con K-means?
- ¿Es posible comenzar a aprender y trabajar en el aprendizaje por refuerzo y el aprendizaje profundo sin un conocimiento previo sólido de otras clases de ML?
- ¿Qué es la recuperación de información? ¿Qué tan relacionado está con el análisis de datos y el aprendizaje automático?
- Cómo lidiar con la oclusión, deformación o distorsión de perspectiva para la detección de objetos
- ¿Qué es un buen libro que discute los principios de la ingeniería de características, en el contexto del aprendizaje automático?
