最良のモデル/アーキテクチャまたはモデル/アーキテクチャの最良のパラメータを見つけるために相互検証が使用されていますか？

Question

私の見解では、可能な限り多くのデータを使用してモデルを比較するためにクロスバリデーションが使用されています。例えば、それは、同じ問題のパーセプトロンニューラルネットワークと決定木を比較するために使用することができる。あるいは、特定の問題に対するニューラルネットワークのニューロンの数を調べるために使用することができます。ここでは、モデル/アーキテクチャの比較についてです。

しかし、私の見解では、クロスバリデーションの各ラウンドでウェイトが再初期化されるため、クロスバリデーションはニューラルネットワークの最良のウェイトを見つけるのに適していないようです。

私の見解を確認できますか？クロス検証はモデル/アーキテクチャの比較にのみ使用され、これらのモデル/アーキテクチャの最適なパラメータを見つけるのに適していませんか？

ありがとうございます。

Answer 1

あなたは正しいアイデアを持っています。

一般に、相互検証を使用して、見えないデータの精度を推定します。この推定値は、適切なモデルタイプ/パラメータなどを選択するのに役立ちます。

モデル構成を決定したら、データセット全体でモデルを訓練することができます。 （目に見えないデータのエラーについては、データセット全体のトレーニングエラーが適切な見積もりではないことにご注意ください）