سرفصل‌ها درس 103 از 246 · ماژول 9: آیا واقعاً بهتر است؟
ماژول 9: آیا واقعاً بهتر است؟

تقسیم‌ها و نشت

چرا مهم است اگر هر اطلاعاتی از دادهٔ آزمون به آموزش برسد، امتیاز آزمون دیگر یک آزمون نیست. این رایج‌ترین راهی است که افراد صادق اعداد اشتباه منتشر می‌کنند.

قاعده: مجموعهٔ آزمون نباید در هیچ تصمیمی، از جمله پیش‌پردازش، نقشی داشته باشد. سه راهی که یواشکی وارد می‌شود:

  • مقیاس‌دهی با همهٔ داده. محاسبهٔ میانگین و پراکندگی روی همهٔ ردیف‌ها، از جمله ردیف‌های آزمون، اجازه می‌دهد مقدارهای آزمون ورودی‌های آموزش را شکل دهند. کوچک، اما واقعی.
  • انتخاب ویژگی‌ها با همهٔ برچسب‌ها. برگزیدن ویژگی‌هایی که بیشترین همبستگی را با برچسب دارند، با استفاده از برچسب‌های آزمون هم، می‌تواند نویز محض را پیش‌گو جلوه دهد. این یکی می‌تواند عظیم باشد.
  • تکراری‌ها در دو سوی تقسیم. همان نمونه در هر دو مجموعه: مدل روی چیزی که حفظ کرده آزموده می‌شود.

نشت: رسیدن اطلاعات آزمون به فرایند آموزش، که امتیازها را بهتر از آنچه واقعاً هستند جلوه می‌دهد.

نوبت شما

leaky را برابر دیکشنری‌ای قرار دهید که می‌گوید کدام یک از سه خط لوله نشت دارد. سپس pipeline_3_fixed(X, y) را بنویسید: همان ایده، با انتخاب 5 ویژگی فقط با استفاده از 200 ردیف اول.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.