Какое из утверждений верно?
Наиболее простой способ оценить, насколько хорошо построенная решающая функция (такая, как система решающих правил, или дерево решений) работает - это проверить её на тестовом множестве (экзамен). В качестве экзаменационного множества при этом используется:

• Часть обучающей выборки (например, половина)
• Множество примеров, ни один из которых не входил в исходную обучающую выборку
• Обучающая выборка полностью
• Обучающая выборка, к которой добавлены несколько новых примеров
• Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна

Другие предметы Колледж Оценка качества моделей машинного обучения интеллектуальные информационные системы оценка решающей функции тестовое множество экзаменационное множество обучающая выборка система решающих правил дерево решений проверка эффективности классификация примеров методы оценки моделей Новый

Чтобы ответить на вопрос, давайте проанализируем каждое из предложенных утверждений о тестовом множестве для оценки качества решающей функции.

1. Часть обучающей выборки (например, половина)

• Использование части обучающей выборки для тестирования не является хорошей практикой, так как это может привести к переобучению. Модель может хорошо работать на тех данных, на которых она была обучена, но плохо справляться с новыми данными.

2. Множество примеров, ни один из которых не входил в исходную обучающую выборку

• Это правильный подход. Тестовое множество должно состоять из примеров, которые не использовались в процессе обучения. Это позволяет объективно оценить, насколько хорошо модель обобщает знания на новые данные.

3. Обучающая выборка полностью

• Использование всей обучающей выборки для тестирования также не является корректным. Это не даст информации о том, как модель будет работать на новых, невидимых данных.

4. Обучающая выборка, к которой добавлены несколько новых примеров

• Хотя добавление новых примеров может улучшить тестирование, использование обучающей выборки в целом все равно не является хорошей практикой, так как это может привести к искажению результатов.

5. Обучающая выборка, из которой удалены те примеры, для которых классификация была ошибочна

• Это также не является правильным подходом, так как удаление ошибочных примеров может привести к искажению данных и не даст объективной оценки работы модели.

Таким образом, правильный ответ: "Множество примеров, ни один из которых не входил в исходную обучающую выборку". Это позволит наиболее точно оценить качество работы решающей функции.