Nederlands
Menu

Basis van machine learning

Wat is, als de gegevens worden verdeeld in trainingsdata, validatiedata en testdata, het belangrijkste gebruik van de validatiedata?

  1. AHyperparameters afstemmen en meerdere modellen vergelijken
  2. BDe fout berekenen waarmee de gewichten van het model worden bijgewerkt
  3. CAlleen eenmaal aan het einde van de ontwikkeling gebruiken om de prestaties van het afgewerkte model te schatten
Antwoord en toelichting tonen

Antwoord: A. Hyperparameters afstemmen en meerdere modellen vergelijken

Met de trainingsdata worden de gewichten van het model bepaald; met de validatiedata worden hyperparameters zoals de leersnelheid en het aantal lagen afgestemd en wordt vergeleken welk model wordt gekozen. De testdata worden pas na afloop van al deze afstemming precies één keer gebruikt om de prestaties op onbekende gegevens te schatten. Wie steeds opnieuw afstemt op basis van de validatieresultaten, past het model geleidelijk ook aan de validatiedata aan; voor de eindbeoordeling zijn daarom apart gehouden testdata nodig.

Dit onderwerp oefenen Naar de onderwerppagina

Meer vragen over Basis van machine learning

  1. Bij 5-voudige kruisvalidatie (k-voudige kruisvalidatie met k = 5) op 1000 gegevenspunten: hoeveel gegevenspunten worden er bij elke trainingsronde gebruikt?
  2. Wat is er te zien als er overfitting optreedt?
  3. Welke uitspraak is juist als de fout van een model wordt opgesplitst in bias en variantie?
  4. Welke beschrijving van regularisatie en verwante methoden om overfitting te beperken is juist?
  5. Welke van de volgende stappen bij het bouwen van een machinelearningmodel veroorzaakt data leakage (informatie uit de evaluatiedata die in de training terechtkomt)?