Train test split – notatki

Train test split

Metoda podziału zbioru danych na część treningową i testową, aby ocenić model.

Część treningowa

Zbiór danych, na którym model jest trenowany w celu nauki wzorców.

Część testowa

Zbiór danych, wykorzystywany do oceny wydajności modelu po treningu.

Proporcje podziału

Typowe proporcje to 70/30 lub 80/20 dla treningu i testu.

Cross-validation

Technika walidacji, która dzieli dane na wiele zestawów treningowych i testowych.

Wydajność modelu

Mierzona przy pomocy metryk takich jak dokładność, precyzja, recall.

Overfitting

Zjawisko, gdy model uczy się szczegółów danych treningowych, ale nie generalizuje.

Underfitting

Zjawisko, gdy model jest zbyt prosty, by uchwycić istotne wzorce w danych.

Random state

Parametr używany do kontrolowania losowości podziału danych.

Sklearn

Biblioteka Pythona, która oferuje funkcję train_test_split do łatwego podziału danych.

Zadanie regresji

Modelowanie zależności między zmiennymi ciągłymi na zbiorze treningowym.

Zadanie klasyfikacji

Modelowanie przynależności do klas na podstawie cech zbioru treningowego.

Metryka F1

Miara harmoniczna precyzji i recall, przydatna w klasyfikacji.

Prawda czy fałsz: Train test split jest zawsze 50/50.

Fałsz, ponieważ proporcje zależą od konkretnego przypadku użycia.

Uzupełnij zdanie: W celu oceny modelu, należy użyć __________.

metryk, takich jak dokładność, precyzja, recall.

Różnica między Train test split a Cross-validation

Train test split dzieli dane raz, podczas gdy Cross-validation wielokrotnie.

W jakim celu stosuje się train test split?

Aby ocenić zdolność modelu do generalizacji na nowych danych.

Jakie są konsekwencje overfittingu?

Model osiąga wysoką dokładność na danych treningowych, ale niską na testowych.

Czym jest 'stratified split'?

Podział, który zachowuje proporcje klas w zbiorze testowym i treningowym.

Kiedy używać większej części testowej?

Gdy dostępnych jest mało danych, aby uzyskać wiarygodną ocenę modelu.

Rola losowości w podziale danych

Minimalizuje ryzyko stronniczości w doborze danych do treningu i testu.