K-겹 교차 검증에서 사용할 최적의 폴드 수 결정: 신경망 분류 실험

적합한 분류기를 얻기 위해서는 대규모 데이터셋이 필요하며, 분류기의 성능(즉, 오류 확률)을 잘 추정하기 위해서는 대규모 테스트셋이 필요합니다. 작은 데이터셋의 경우, 학습 세트와 테스트 세트로 무작위로 분할한 후, 두 세트 모두 작은 샘플로 구성되기 때문에 학습 세트에서 적합한 분류기를 얻고 테스트 세트에서 성능을 잘 추정하기가 어려워집니다. K-겹 교차 검증 접근법은 적합한 분류기를 얻지 못하고 성능을 잘 추정할 수 없는 문제를 극복하기 위해 종종 제안되어 왔습니다. 따라서 본 연구의 목적은 K-겹 교차 검증에서 사용할 최적의 폴드 수를 결정하는 것이었으며, 이는 총 1000개의 샘플을 가진 인위적인 두 가지 클래스의 정규 혼합 데이터셋을 사용하여 시뮬레이션 방식으로 진행되었고, 신경망 훈련 중 조기 중단 방법을 적용하거나 적용하지 않고 10,000 훈련 에폭에 걸쳐 복원력 있는 역전파 학습 방법을 사용했습니다.