Как выбрать K для K-fold кросс-валидации?
Classic MLУровень: БазаValidation
Как выбрать K для K-fold кросс-валидации?
Подсказки
- Определите, какие наблюдения должны оставаться независимыми при проверке.
- Сравните случайное, групповое и временное разбиения. Где подбираются гиперпараметры?
Ответ
Нужно учитывать число переобучений модели и размер каждой валидационной части. При большем K обучение повторяется чаще, а отложенная часть становится меньше. Автор исходного ответа предпочитает K = 4 для небольших наборов и K = 5 для больших; это его практический выбор, а не универсальное правило.
Источник и лицензия: Alexey Grigorev & contributors — Data Science Interviews · CC-BY-4.0 · перевод: Quantoros