A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários. Uma das características da validação cruzada com k conjuntos é que esse método A) considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos. B) divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente. C) gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste. D) penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste. E) produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.

A) considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.

Questões Engenharia de Software Inteligencia Artificial

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obte...

Responda: A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelo...

1Q1037259 | Engenharia de Software, Inteligencia Artificial, Inteligência da Informação, DATAPREV, FGV, 2024

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários.
Uma das características da validação cruzada com k conjuntos é que esse método

✂️ a) considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.
✂️ b) divide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.
✂️ c) gera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.
✂️ d) penaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.
✂️ e) produz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.