MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce que la « k-fold cross-validation » précisément et en quoi k=10 diffère-t-il de k=5 ?

Choisissez la meilleure réponse.

Bonne réponse

  • Bk=10 fournit des estimations de performance plus fiables pour un coût de calcul multiplié par 2 par rapport à k=5

Explication

La validation croisée k-fold divise le jeu de données en k plis égaux, s'entraîne sur k-1 plis et valide sur le pli restant, en répétant ce processus k fois. Avec k=10, chaque modèle est entraîné sur 90 % des données et validé sur 10 %, tandis que k=5 utilise 80 % pour l'entraînement et 20 % pour la validation. La principale différence est que k=10 produit une estimation de performance avec une variance plus faible (plus fiable) car elle fait la moyenne sur un plus grand nombre de plis, mais elle nécessite environ deux fois plus de coûts de calcul (10 exécutions d'entraînement contre 5).

Pourquoi chaque option est juste ou fausse

A

Fausse

k=10 produit toujours un meilleur modèle que k=5 car il utilise davantage de données d'entraînement

k=10 divise les données en dix plis, chaque modèle s'entraînant sur 90 % plutôt que 80 %, mais un k plus élevé signifie plus d'ajustements et de variance dans l'estimation, pas une précision garantie ; les performances dépendent des données et du modèle. C'est tentant car plus de données d'entraînement par pli semble bénéfique, pourtant le gain est marginal et non automatique.

B

Juste

k=10 fournit des estimations de performance plus fiables pour un coût de calcul multiplié par 2 par rapport à k=5

La validation croisée k-fold partitionne les données en k sous-ensembles, s'entraînant sur k-1 et validant sur le pli mis de côté. Porter k de 5 à 10 réduit de moitié la taille de chaque ensemble de validation, ce qui donne des estimations à plus faible variance tout en doublant le nombre d'exécutions d'entraînement.

C

Fausse

k=5 et k=10 produisent des résultats identiques car le total des données est le même

Différentes valeurs de k modifient la taille du pli et la répartition entraînement-test, de sorte que les scores par pli et l'estimation moyenne diffèrent ; k=5 et k=10 donnent des résultats distincts à partir du même jeu de données. C'est tentant car le total des données est constant, mais c'est le découpage, et non le volume, qui est à l'origine de la variation.

D

Fausse

k=10 nécessite 10 fois plus de données étiquetées que k=5

La validation croisée k-fold réutilise le même jeu de données en le divisant en k sous-ensembles ; k=10 effectue dix divisions entraînement-test sur des enregistrements identiques, et non dix fois plus de données. C'est tentant car plus de plis impliquent plus d'itérations d'entraînement, mais le volume de données étiquetées reste inchangé.

Pour aller plus loin

La validation croisée k-fold partitionne le jeu de données en k plis de taille égale, s'entraîne sur k-1 plis et valide sur le pli mis de côté, en répétant l'opération jusqu'à ce que chaque pli ait servi une fois, puis en faisant la moyenne des k scores. Avec k=10, chaque modèle s'entraîne sur 90 pour cent des données et valide sur 10 pour cent, tandis que k=5 s'entraîne sur 80 pour cent et valide sur 20 pour cent. Un k plus élevé produit une estimation moins biaisée car davantage de données sont utilisées par cycle d'entraînement, et le calcul de la moyenne sur dix plis réduit la variance de l'estimation, mais cela coûte environ deux fois plus de calcul puisque dix modèles sont entraînés au lieu de cinq. Une nuance qu'il est bon de connaître : il n'est pas garanti que k=10 produise un meilleur modèle final, mais seulement une estimation de performance plus fiable. Cela compte lors de la comparaison d'algorithmes sur de petits jeux de données, où une seule division entraînement-test pourrait induire en erreur.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.