Respuesta correcta
- BProporcionar una evaluación final imparcial del modelo entrenado con datos no vistos
Explicación
El conjunto de datos de prueba se utiliza para proporcionar una evaluación final imparcial del modelo entrenado con datos no vistos. Esto es fundamental en machine learning porque el modelo nunca ha visto los ejemplos de prueba durante el entrenamiento o la validación, por lo que las métricas de evaluación (por ejemplo, accuracy, precision, recall) reflejan la verdadera capacidad de generalización del modelo. En Azure Machine Learning, el conjunto de datos de prueba normalmente se separa de los datos originales antes de que comience cualquier entrenamiento y solo se utiliza una vez al final del ciclo de vida de desarrollo del modelo.
Para profundizar
El conjunto de prueba se reserva antes de cualquier entrenamiento y solo se toca una vez, al final del todo, para estimar el error de generalización. Debido a que el modelo nunca ve estos ejemplos durante el ajuste, la métrica resultante aproxima el rendimiento en datos verdaderamente no vistos, razón por la cual no debe usarse para actualizaciones de gradientes o búsqueda de hiperparámetros. Un error sutil: si evalúa repetidamente en el conjunto de prueba y elige el modelo con mejor puntuación, filtra información y la estimación se sesga optimistamente; por eso se utiliza un conjunto de validación separado (o validación cruzada) para el ajuste. En un escenario real, un equipo de detección de fraude entrena con el 70% de las transacciones, ajusta con el 15% y reporta la precision y el recall finales en la división de prueba del 15% intacta antes del despliegue.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.