مسابقة المقايضة التحيز والتباين

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. النموذج البسيط جدًا بحيث لا يمكنه التقاط النمط الأساسي في البيانات يعاني في المقام الأول من:
   • التباين العالي
   • انحياز عالي
   • خطأ منخفض غير قابل للاختزال
   • التجهيز الزائد
2. ما السيناريو الذي يعد علامة كلاسيكية على التباين العالي (التركيب الزائد)؟
   • خطأ التدريب والاختبار مرتفع ومتشابه
   • يتجاهل النموذج معظم الميزات
   • تؤدي إضافة المزيد من التنظيم إلى زيادة خطأ التدريب تجاه خطأ الاختبار
   • خطأ التدريب منخفض جدًا ولكن خطأ الاختبار أعلى من ذلك بكثير
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • يتناقص التحيز ويزداد التباين
   • كلاهما يزيد
   • كلاهما ينخفض
   • يزداد التحيز ويقل التباين
4. إضافة تسوية L2 (التلال) إلى النموذج بشكل عام:
   • يقلل من التحيز على حساب المزيد من التباين
   • يزيل الخطأ غير القابل للاختزال
   • يقلل من التباين على حساب المزيد من التحيز قليلاً
   • ليس له أي تأثير على أي من التحيز أو التباين
5. يمثل الخطأ غير القابل للاختزال في تحليل التباين المتحيز ما يلي:
   • حدث خطأ بسبب اختيار الخوارزمية الخاطئة
   • خطأ من الضوضاء الكامنة في البيانات التي لا يمكن لأي نموذج إزالتها
   • خطأ يختفي مع المزيد من بيانات التدريب
   • خطأ ناتج فقط عن التباين العالي
6. تشير ظاهرة "النزول المزدوج" التي لوحظت في التعلم العميق إلى ما يلي:
   • يمكن أن ينخفض خطأ الاختبار مرة أخرى مع نمو النماذج إلى ما هو أبعد من نقطة استيفاء بيانات التدريب
   • يتبع خطأ الاختبار دائمًا شكل حرف U بسيط
   • التباين لا يهم أبدًا بالنسبة للشبكات العصبية
   • يكون التحيز دائمًا صفرًا في النماذج العميقة
7. In a squared-error decomposition, squared bias is 2, variance is 3, and irreducible noise is 1. What is the total expected error?
   • 14
   • 5
   • 3
   • 6
8. Why can averaging many de-correlated trees help in the random-forest example?
   • It removes all noise from the data-generating process
   • It guarantees zero test error
   • It can reduce the variance of the combined prediction
   • It converts every tree into a linear model