Takže, nemal by byť rozdiel v tom, či zamiešate údaje z testu alebo overenia alebo nie (pokiaľ nepočítate nejakú metriku, ktorá závisí od poradia vzoriek), vzhľadom na to, že nebudete počítať žiadny gradient, ale len stratu alebo nejakú metriku/mieru, ako je presnosť, ktorá nie je citlivá na poradie …
Prečo by sa pri krížovej validácii mali údaje premiešať?
it pomáha tréningu rýchlo sa zblížiť . zabraňuje akejkoľvek zaujatosti počas školenia. bráni to modelu naučiť sa poradie tréningu.
Môžem zamiešať sadu overovania?
Model je najskôr trénovaný na A a B skombinovaných ako trénovacia množina a vyhodnotený na validačnej sade C. … Krížová validácia funguje len v tých istých prípadoch, keď môžete náhodne zamiešať svoje údaje a vybrať si validačnú množinu.
Na čo sa používa miešanie údajov?
Miešanie údajov. Jednoducho povedané, techniky miešania majú za cieľ pomiešať údaje a môžu voliteľne zachovať logické vzťahy medzi stĺpcami. Náhodne zamieša údaje z množiny údajov v rámci atribútu (napr. stĺpec v čisto plochom formáte) alebo množiny atribútov (napr. množina stĺpcov).
Záleží na poradí údajov pri strojovom učení?
Záleží pri trénovaní neurónových sietí na poradí tréningových údajov? - Quora. Je mimoriadne dôležité premiešať trénovacie údaje, aby ste nezískali celé minidávky vysoko korelovaných príkladov. Pokiaľúdaje boli zamiešané, všetko by malo fungovať OK.
