Така че, не трябва да има никаква разлика дали ще разбъркате или не данните за теста или валидирането (освен ако не изчислявате някакъв показател, който зависи от реда на извадките), като се има предвид, че няма да изчислявате никакъв градиент, а само загубата или някакъв показател/мярка като точността, която не е чувствителна към поръчката…
Защо данните трябва да се разбъркват, когато се използва кръстосано валидиране?
то помага на обучението да се сближи бързо . предотвратява всякакви пристрастия по време на тренировката. това пречи на модела да научи реда на обучението.
Мога ли да разбъркам комплекта за валидиране?
A модел първо се обучава на A и B, комбинирани като набор за обучение, и се оценява на набор за валидиране C. … Кръстосаното валидиране работи само в същите случаи, когато можете да разбъркате произволно вашите данни, за да изберете набор за валидиране.
За какво се използва разбъркването на данни?
Разбъркване на данни. Просто казано, техниките за разбъркване целят смесване на данни и по избор могат да запазят логически връзки между колоните. Той размесва произволно данни от набор от данни в атрибут (например колона в чист плосък формат) или набор от атрибути (например набор от колони).
Важен ли е редът на данните в машинното обучение?
Важен ли е редът на обучителни данни при обучение на невронни мрежи? - Quora. Изключително важно е да разбъркате данните за обучение, така че да не получавате цели минипартиди от силно корелирани примери. Докатоданните са разбъркани, всичко трябва да работи ОК.
