Donc, cela ne devrait pas faire de différence que vous mélangez ou non les données de test ou de validation (sauf si vous calculez une métrique qui dépend de l'ordre des échantillons), étant donné que vous ne calculerez aucun gradient, mais juste la perte ou une métrique/mesure comme la précision, qui n'est pas sensible à l'ordre…
Pourquoi les données doivent-elles être mélangées lors de l'utilisation de la validation croisée ?
il aide la formation à converger rapidement . ça évite tout biais pendant l'entraînement. cela empêche le modèle d'apprendre l'ordre de la formation.
Puis-je mélanger le jeu de validation ?
Un modèle est d'abord formé sur A et B combinés comme ensemble d'apprentissage, et évalué sur l'ensemble de validation C. … La validation croisée ne fonctionne que dans les mêmes cas où vous pouvez mélanger vos données au hasard pour choisir un ensemble de validation.
À quoi sert le brassage de données ?
Mélange de données. En termes simples, les techniques de brassage visent à mélanger les données et peuvent éventuellement conserver des relations logiques entre les colonnes. Il mélange de manière aléatoire les données d'un ensemble de données dans un attribut (par exemple, une colonne dans un format plat pur) ou un ensemble d'attributs (par exemple, un ensemble de colonnes).
L'ordre des données est-il important dans le machine learning ?
L'ordre des données d'entraînement est-il important lors de l'entraînement des réseaux de neurones ? -Quora. Il est extrêmement important de mélanger les données d'apprentissage, afin de ne pas obtenir des mini-lots entiers d'exemples hautement corrélés. Tant queles données ont été mélangées, tout devrait fonctionner correctement.
