La manera correcta de validación cruzada cuando la optimización de clasificación SVM?

Question

Estoy usando SVM binario de clasificación para predecir el movimiento de los NASDAQ precios de las acciones. Mi pregunta es con respecto a la validación cruzada. Voy a dividir los datos de entrenamiento en V subconjuntos. La capacitación se llevará a cabo en (V-1) de subconjuntos de y, a continuación, la predicción de la V-th subconjunto se registra. Esto se hará a V de veces.

(1) Es la mejor medida de la precisión de la media de todos los V resultados? O tal vez el mínimo?

(2) Debe subconjuntos de ser de la misma longitud? Al azar?

(2a) Puede subconjuntos se superponen?

(3) ¿me necesita para asegurarse de que cada subgrupo tiene al menos un mínimo porcentaje de cada clase de resultado (1 o 0) para que los resultados sean válidos?

Answer 1

La cruz-procedimiento de validación no se enciende la elección de algoritmo.

1. Sí - calcular el error de predicción de los modelos ajustados a la hora de predecir el V-esima parte de los datos. Combinar la V estimaciones de predicción promedio de uso de un promedio simple.

2. Subconjuntos debe ser una muestra aleatoria (aproximadamente de igual tamaño). 2a. Subconjuntos no debe superponerse.

3. No. Mientras que el muestreo es aleatorio que están bien.