Juegos de examenes

conjunto de entrenamiento y conjunto de pruebas

Además de poder organizar los casos de prueba en carpetas, también se pueden crear agrupaciones separadas de casos de prueba denominadas conjuntos de pruebas que pueden asignarse a los probadores como un paquete. Para ver la lista de conjuntos de pruebas de un proyecto, haga clic en Pruebas > Conjuntos de pruebas en la navegación global:

La lista de conjuntos de pruebas consiste en una lista jerárquica de todos los conjuntos de pruebas del proyecto actual organizados en carpetas. La estructura es muy similar a la de las carpetas del Explorador de Microsoft Windows®, por lo que los usuarios la encontrarán muy familiar e intuitiva. El árbol de carpetas se encuentra en la parte izquierda, con iconos en forma de triángulo para expandir/contraer cada carpeta. El contenido de la carpeta seleccionada (la marcada en negrita en el árbol de carpetas) se muestra en la parte derecha.

Cada conjunto de pruebas se muestra junto con el número de casos de prueba que contiene (entre paréntesis), el estado de ejecución agregado de los casos de prueba que contiene (mediante un gráfico de barras), la fecha en la que se ha programado la ejecución del conjunto de pruebas (fecha prevista), la fecha en la que se ejecutó por última vez, la persona asignada actualmente para ejecutar el conjunto de pruebas, el estado y el identificador del conjunto de pruebas. Al hacer clic en el hipervínculo de un conjunto de pruebas, se accede a la página de detalles del conjunto de pruebas del elemento en cuestión.

conjunto de validación frente a conjunto de prueba

En caso de que no necesite elegir un modelo apropiado entre varios enfoques rivales, puede simplemente volver a dividir su conjunto de modo que básicamente sólo tenga el conjunto de entrenamiento y el conjunto de prueba, sin realizar la validación de su modelo entrenado. Yo, personalmente, los divido en 70/30.

En cada paso en el que se le pide que tome una decisión (es decir, que elija una opción entre varias opciones), debe tener un conjunto/partición adicional para medir la precisión de su elección, de modo que no elija simplemente el resultado más favorable del azar y confunda el extremo de la cola de la distribución con el centro 1. La izquierda es el pesimista. La derecha es el optimista. El centro es el pragmático. Sé el pragmático.

Paso 1) Entrenamiento: Cada tipo de algoritmo tiene sus propias opciones de parámetros (el número de capas en una red neuronal, el número de árboles en un bosque aleatorio, etc). Para cada uno de sus algoritmos, debe elegir una opción. Por eso tienes un conjunto de entrenamiento.

Paso 2) Validación: Ahora tiene una colección de algoritmos. Debe elegir un algoritmo. Por eso tiene un conjunto de pruebas. La mayoría de la gente elige el algoritmo que mejor funciona en el conjunto de validación (y eso está bien). Pero si no se mide la tasa de error del algoritmo con mejor rendimiento en el conjunto de pruebas y se opta por su tasa de error en el conjunto de validación, entonces se ha confundido ciegamente el «mejor escenario posible» con el «escenario más probable». Esa es una receta para el desastre.

natación de conjuntos de pruebas

En el aprendizaje automático, una tarea común es el estudio y la construcción de algoritmos que puedan aprender de los datos y hacer predicciones sobre ellos[1]. Tales algoritmos funcionan haciendo predicciones o decisiones basadas en los datos,[2] mediante la construcción de un modelo matemático a partir de los datos de entrada. Estos datos de entrada utilizados para construir el modelo suelen estar divididos en múltiples conjuntos de datos. En concreto, se suelen utilizar tres conjuntos de datos en diferentes etapas de la creación del modelo: conjuntos de entrenamiento, de validación y de prueba.

El modelo se ajusta inicialmente a un conjunto de datos de entrenamiento,[3] que es un conjunto de ejemplos utilizados para ajustar los parámetros (por ejemplo, los pesos de las conexiones entre neuronas en las redes neuronales artificiales) del modelo[4] El modelo (por ejemplo, un clasificador Bayes ingenuo) se entrena en el conjunto de datos de entrenamiento utilizando un método de aprendizaje supervisado, por ejemplo, utilizando métodos de optimización como el descenso de gradiente o el descenso de gradiente estocástico. En la práctica, el conjunto de datos de entrenamiento suele consistir en pares de un vector de entrada (o escalar) y el correspondiente vector de salida (o escalar), donde la clave de la respuesta suele denominarse objetivo (o etiqueta). El modelo actual se ejecuta con el conjunto de datos de entrenamiento y produce un resultado, que luego se compara con el objetivo, para cada vector de entrada en el conjunto de datos de entrenamiento. En función del resultado de la comparación y del algoritmo de aprendizaje específico utilizado, se ajustan los parámetros del modelo. El ajuste del modelo puede incluir tanto la selección de variables como la estimación de los parámetros.

qué es el conjunto de pruebas en el aprendizaje automático

En el aprendizaje automático, una tarea común es el estudio y la construcción de algoritmos que puedan aprender de los datos y hacer predicciones sobre ellos[1]. Estos algoritmos funcionan haciendo predicciones o decisiones basadas en los datos,[2] mediante la construcción de un modelo matemático a partir de los datos de entrada. Estos datos de entrada utilizados para construir el modelo suelen estar divididos en múltiples conjuntos de datos. En concreto, se suelen utilizar tres conjuntos de datos en diferentes etapas de la creación del modelo: conjuntos de entrenamiento, de validación y de prueba.

El modelo se ajusta inicialmente a un conjunto de datos de entrenamiento,[3] que es un conjunto de ejemplos utilizados para ajustar los parámetros (por ejemplo, los pesos de las conexiones entre neuronas en las redes neuronales artificiales) del modelo[4] El modelo (por ejemplo, un clasificador Bayes ingenuo) se entrena en el conjunto de datos de entrenamiento utilizando un método de aprendizaje supervisado, por ejemplo, utilizando métodos de optimización como el descenso de gradiente o el descenso de gradiente estocástico. En la práctica, el conjunto de datos de entrenamiento suele consistir en pares de un vector de entrada (o escalar) y el correspondiente vector de salida (o escalar), donde la clave de la respuesta suele denominarse objetivo (o etiqueta). El modelo actual se ejecuta con el conjunto de datos de entrenamiento y produce un resultado, que luego se compara con el objetivo, para cada vector de entrada en el conjunto de datos de entrenamiento. En función del resultado de la comparación y del algoritmo de aprendizaje específico utilizado, se ajustan los parámetros del modelo. El ajuste del modelo puede incluir tanto la selección de variables como la estimación de los parámetros.

Esta web utiliza cookies propias para su correcto funcionamiento. Al hacer clic en el botón Aceptar, acepta el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad