Cross-validation: чем K-fold отличается от Stratified K-fold и Time Series Split?
MLmediummiddle
Проверяет основы машинного обучения и оценку моделей.
mlcross-validationsklearntime-series
Варианты ответа
TimeSeriesSplit работает только для regression-задач непрерывных целевых переменных; для классификации временных рядов используется только Stratified K-fold
K-fold — случайные фолды; Stratified сохраняет долю классов в каждом фолде (для imbalance); TimeSeriesSplit режет по времени — train всегда раньше test (нет leakage)
Это полные синонимы и взаимозаменяемые варианты sklearn API; различаются лишь параметрами по умолчанию и применяются для одинаковых задач классификации/регрессии
Stratified медленнее K-fold в 3-5 раз из-за дополнительных операций сортировки по классам и групировки выборок для сохранения распределения
Как разобрать этот вопрос на собеседовании
Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.
На собеседовании по такому вопросу важно не только назвать ответ, но и кратко объяснить, почему он верный.
Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.
Разбор ответа
Подробный разбор с объяснением «почему правильный ответ верный» и почему остальные неверны — после регистрации.
3000+ вопросов с разбором, quiz-режим с проверкой, AI-собес и подготовка к интервью аналитика.