FácilOpción múltiple

Pregunta de práctica de AI-900

¿Cuál es el propósito de un 'validation dataset' en machine learning?

Elige la mejor respuesta.

Respuesta correcta

  • BUna división de datos reservada utilizada durante el desarrollo para ajustar hiperparámetros y comparar modelos

Explicación

Un validation dataset es un subconjunto de los datos de entrenamiento separado que se utiliza durante el desarrollo del modelo para ajustar hiperparámetros y comparar diferentes modelos sin sesgo. En Azure Machine Learning, esta división se realiza normalmente utilizando la función `train_test_split` o de forma automatizada mediante la configuración de validación cruzada de AutoML, asegurando que el rendimiento del modelo en datos no vistos se estime con precisión antes de la evaluación final en el conjunto de prueba.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Validar que los datos de entrenamiento cumplan con las normativas de privacidad de datos

Un validation dataset ajusta hiperparámetros y estima la generalización durante el desarrollo del modelo; no cumple ningún papel regulatorio, y el cumplimiento de la privacidad se aplica mediante controles de gobernanza y consentimiento. Resulta tentador porque la palabra 'validación' sugiere comprobar la corrección, pero dicha comprobación concierne al rendimiento del modelo, no a la legalidad de los datos.

B

Correcta

Una división de datos reservada utilizada durante el desarrollo para ajustar hiperparámetros y comparar modelos

Un validation dataset se separa del entrenamiento y se utiliza para ajustar hiperparámetros y seleccionar entre modelos candidatos, satisfaciendo la necesidad de comparar modelos sin tocar el conjunto de prueba. El conjunto de prueba permanece reservado para la evaluación final sin sesgos.

C

Incorrecta

El conjunto de datos original antes de aplicar cualquier transformación de preprocesamiento

El conjunto de datos original sin procesar es el conjunto de datos sin procesar; los datos de validación se separan después del preprocesamiento para ajustar hiperparámetros y comparar iteraciones de modelos. Los datos sin procesar aún requieren limpieza y división. Elegir el conjunto de datos sin procesar sería correcto si la pregunta preguntara dónde comienza la ingeniería de características.

D

Incorrecta

Datos que han sido verificados manualmente como 100% correctos por expertos en la materia

Los datos de validación se separan para estimar la generalización durante la selección del modelo; no se verifican a mano como perfectamente correctos, y se tolera el ruido en las etiquetas. La verdad de terreno verificada manualmente describe un conjunto estándar de referencia o conjunto de prueba utilizado para el informe de precisión final. Los datos de validación serían correctos al ajustar hiperparámetros.

Para profundizar

Un validation dataset es una porción de datos etiquetados separada que se utiliza durante el desarrollo del modelo para ajustar hiperparámetros, comparar arquitecturas y decidir cuándo detener el entrenamiento, sin tocar el conjunto de prueba. La división típica consta de entrenamiento, validación y prueba; el conjunto de prueba se reserva para una estimación final sin sesgos. Un comportamiento sutil: ajustar repetidamente frente al conjunto de validación provoca fugas de información, por lo que su rendimiento se vuelve sesgado de forma optimista y ya no representa los datos no vistos. Por esta razón, la validación cruzada de k-pliegues se utiliza en conjuntos de datos más pequeños, rotando qué pliegue sirve como validación. Un escenario realista es seleccionar el número de capas ocultas en una red neuronal: la pérdida de validación guía la detención temprana, mientras que el conjunto de prueba intacto confirma la generalización antes de la implementación. Confundir la validación con el conjunto de prueba conduce a un sobreajuste y a un rendimiento deficiente en producción.

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.