Så, det bør ikke gjøre noen forskjell om du blander eller ikke test- eller valideringsdataene (med mindre du beregner en beregning som avhenger av rekkefølgen på prøvene), gitt at du ikke skal beregne noen gradient, men bare tapet eller en eller annen metrikk/mål som nøyaktigheten, som ikke er sensitiv for rekkefølgen …
Hvorfor bør dataene stokkes når du bruker kryssvalidering?
it hjelper treningen å konvergere raskt . det forhindrer skjevhet under treningen. det hindrer modellen i å lære rekkefølgen på treningen.
Kan jeg blande valideringsinnstillingen?
En modell trenes først på A og B kombinert som treningssettet, og evaluert på valideringssettet C. … Kryssvalidering fungerer bare i de samme tilfellene der du kan tilfeldig blande dataene dine for å velge et valideringssett.
Hva brukes datamiksing til?
Data stokking. Enkelt sagt, stokkingsteknikker tar sikte på å blande data og kan eventuelt beholde logiske forhold mellom kolonner. Den blander tilfeldig data fra et datasett innenfor et attributt (f.eks. en kolonne i et rent flatt format) eller et sett med attributter (f.eks. et sett med kolonner).
Betyr rekkefølgen av data i maskinlæring?
Betyr rekkefølgen av treningsdata noe når du trener nevrale nettverk? - Quora. Det er ekstremt viktig å stokke treningsdataene, slik at du ikke får hele minibatcher med svært korrelerte eksempler. Så lengedataene har blitt blandet, alt skal fungere OK.
