Wat is een Holdout-set? Soms ook wel 'testgegevens' genoemd, geeft een holdout-subset een definitieve schatting van de prestaties van het machine learning-model nadat het is getraind en gevalideerd. Holdout-sets mogen nooit worden gebruikt om beslissingen te nemen over welke algoritmen moeten worden gebruikt of om algoritmen te verbeteren of af te stemmen.
Is kruisvalidatie beter dan holdout?
Cross-validatie heeft meestal de voorkeur omdat het je model de mogelijkheid geeft om te trainen op meerdere trein-test splits. Dit geeft u een betere indicatie van hoe goed uw model zal presteren op ongeziene gegevens. Hold-out, aan de andere kant, is afhankelijk van slechts één trein-test split.
Wat is holdout-aanpak?
Holdout-methode is de eenvoudigste soort methode om een classifier te evalueren. Bij deze methode wordt de dataset (een verzameling data-items of voorbeelden) opgesplitst in twee sets, de Trainingsset en Testset genoemd. Een classifier voert de functie uit van het toewijzen van gegevensitems in een bepaalde verzameling aan een doelcategorie of -klasse.
Moet ik altijd kruisvalidatie doen?
Over het algemeen is kruisvalidatie altijd nodig wanneer u de optimale parameters van het model moet bepalen, voor logistische regressie zou dit de C-parameter zijn.
Wat is het voordeel van K-fold kruisvalidatie?
als je vergelijkt, zijn test-MSE's beter in het geval van k-voudige CV dan LOOCV. k-fold CV of welke CV of resampling methode dan ook niettestfouten verbeteren. ze schatten testfouten in. in het geval van k-vouw, doet het beter werk bij het schatten van fouten dan LOOCV.
