Podcast
Questions and Answers
A k-szoros kereszt-validálás speciális esete a Leave-one-out validálás.
A k-szoros kereszt-validálás speciális esete a Leave-one-out validálás.
True
A Bootstrap módszer csak nagy adathalmazoknál hatékony.
A Bootstrap módszer csak nagy adathalmazoknál hatékony.
False
A Leave-one-out validálás pontosabb modellt ad, mert kisebb a tréninghalmaz.
A Leave-one-out validálás pontosabb modellt ad, mert kisebb a tréninghalmaz.
False
A Rétegzett kereszt-validálás alkalmas nagy adathalmazoknál.
A Rétegzett kereszt-validálás alkalmas nagy adathalmazoknál.
Signup and view all the answers
A Bootstrap módszerben a kimaradt elemek a tréninghalmazban vannak.
A Bootstrap módszerben a kimaradt elemek a tréninghalmazban vannak.
Signup and view all the answers
A k-szoros kereszt-validálásban a k értéke meg kell egyezzen a minták számával.
A k-szoros kereszt-validálásban a k értéke meg kell egyezzen a minták számával.
Signup and view all the answers
A Leave-one-out validálás gyorsabb, mint a k-szoros kereszt-validálás.
A Leave-one-out validálás gyorsabb, mint a k-szoros kereszt-validálás.
Signup and view all the answers
A Bootstrap módszerben a véletlen számok generálása ismétlődések nélkül történik.
A Bootstrap módszerben a véletlen számok generálása ismétlődések nélkül történik.
Signup and view all the answers
A Rétegzett kereszt-validálásban a k halmaz kialakítása úgy történik, hogy tükrözze az adathalmaz osztályok közti eloszlását.
A Rétegzett kereszt-validálásban a k halmaz kialakítása úgy történik, hogy tükrözze az adathalmaz osztályok közti eloszlását.
Signup and view all the answers
A Bootstrap módszerben a teszthalmaz nagysága statisztikailag meghatározható, és kb. 36,8% a minták számának.
A Bootstrap módszerben a teszthalmaz nagysága statisztikailag meghatározható, és kb. 36,8% a minták számának.
Signup and view all the answers
