实体
K-fold cross-validation
K-fold cross-validation
PulseAugur coverage of K-fold cross-validation — every cluster mentioning K-fold cross-validation across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的跨审计预测方法提高了模型风险预测能力
一种名为跨审计预测（CAP）的新统计方法已被开发出来，以改进模型风险预测，特别是在二元分类任务中。传统的K折交叉验证虽然普遍，但在估计特定类别风险方面有时表现不佳。CAP通过结合一个跨审计步骤来估计子样本中的过度乐观，以及一个用于纠正样本量减少的投影步骤，从而实现对经验风险更无偏的估计。该方法在模拟和实际的乳腺癌检测应用中都显示出理论优势和良好的性能。
-
新研究揭示k折交叉验证的基本极限
一篇新的研究论文探讨了k折交叉验证的理论局限性，这是一种广泛用于估计机器学习模型性能的技术。该研究聚焦于二元分类中的多数算法，揭示了交叉验证的准确性高度依赖于折数（k）。研究人员引入了一个极小极大框架，证明当k随样本量n增长时，不可能实现O(1/n)的均方误差，且不可避免地存在Omega(sqrt(k)/n)的下界。这些发现突显了交叉验证中数据重用策略的基本约束，并指出了现有理论工作中的不准确之处。
-
研究论文区分了用于人工智能不确定性的交叉验证与深度集成
一篇题为“折叠中的迷失”的新研究论文强调了人工智能研究中关于医学图像分割不确定性估计的一个普遍误解。研究表明，使用K折交叉验证（CV）来形成集成模型，通常被错误地标记为深度集成（DE），这可能导致对不确定性的不准确解读。研究发现，使用相同训练数据但不同随机种子的DE更适合故障检测等可靠性任务，而CV集成模型更适合建模模糊性。