Почему обычное разделение на обучающую и тестовую выборки не работает (используйте стратифицирова...

Почему мы используем разделение, как стратификация защищает результат разделения и почему K-кратная перекрестная проверка дает более надежную оценку производительности, чем однократное разделение на проверочные данные. Мы подробно рассматриваем утечку данных, золотое правило: обучайте все трансформеры только на обучающих данных, никогда не на полном наборе данных. 00:00 - Введение: Перекрестная проверка и обобщение 01:34 - Как работает K-кратная перекрестная проверка 04:14 - Зачем использовать стратифицированную K-кратную перекрестную проверку для несбалансированных данных 06:24 - Что вызывает утечку данных в машинном обучении 07:26 - Золотые правила предотвращения утечки данных 08:24 - Кодирование конвейера Scikit-Learn 10:18 - Настройка стратифицированной K-кратной перекрестной проверки и параметра cross_val_score 12:00 - Оценка точности перекрестной проверки 12:35 - Как конвейеры гарантируют отсутствие утечек при перекрестной проверке 13:07 - Резюме и дальнейшие шаги