Retour aux cours
Page suivante
QCM Interactif
Testez vos connaissances !
1
Quel est l'objectif principal de la validation croisée (cross-validation) en deep learning ?
A
Augmenter la vitesse d'entraînement du modèle
B
Évaluer précisément un modèle sur l'ensemble des données d'entraînement
C
Réduire la taille du dataset pour l'entraînement
D
Générer de nouvelles données d'entraînement
2
Dans la méthode k-fold cross validation, quel paramètre influence directement le nombre de modèles entraînés ?
A
Le nombre de classes dans le dataset
B
La taille de chaque subset de validation
C
La valeur de k, c’est-à-dire le nombre de subsets
D
Le taux d’apprentissage du modèle
3
Quelle est la différence principale entre la stratified k-fold cross validation et la k-fold cross validation classique ?
A
Le stratified k-fold utilise un nombre de folds variable
B
Le stratified k-fold maintient la même distribution des classes dans chaque subset
C
Le stratified k-fold ne divise pas le dataset en subsets
D
Le stratified k-fold ne nécessite pas d’entraînement multiple
4
Quel est un inconvénient majeur de la méthode leave one out cross validation (LOOCV) ?
A
Elle ne permet pas de détecter l’overfitting
B
Elle nécessite d’entrainer le modèle plusieurs fois, autant que la taille du dataset
C
Elle ne peut pas être utilisée pour le finetuning sur peu de données
D
Elle ne prend pas en compte la distribution des classes
5
Parmi les avantages de la cross-validation, lequel est correct ?
A
Elle accélère le processus d’entraînement du modèle
B
Elle permet une évaluation plus fiable des modèles en réduisant l’effet de la chance dans la séparation des données
C
Elle simplifie la sélection des hyperparamètres en évitant toute régularisation
D
Elle élimine totalement le risque d’overfitting
Score: 0/5
Score: 0/5
Score: 0/5
Score: 0/5