Тест, свързан с ръководство · Среден Ниво

Тест за компромис с отклонения

Прилагайте пристрастие, дисперсия, регулиране, пакетиране и декомпозиция на квадратна грешка, като същевременно разпознавате границите на класическата крива на сложност.

Свързани ръководни пътекиКомпромис на дисперсията на отклонението
Въпрос 1 на 8

Модел, който е твърде прост за улавяне на основния модел в данните, страда предимно от:

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Модел, който е твърде прост за улавяне на основния модел в данните, страда предимно от:
    • Висока дисперсия
    • Голямо отклонение
    • Ниска нередуцируема грешка
    • Прекомерно оборудване
  2. Кой сценарий е класически признак за висока дисперсия (прекомерно оборудване)?
    • Грешките при обучение и тест са високи и подобни
    • Моделът игнорира повечето функции
    • Добавянето на по-голяма регуляризация увеличава грешката на обучението към грешката на теста
    • Грешката при обучение е много ниска, но грешката при теста е много по-висока
  3. В класическата картина на отклонение, описана в ръководството, кой компромис може да придружава увеличената гъвкавост на модела?
    • Отклонението намалява и дисперсията се увеличава
    • И двете се увеличават
    • И двете намаляват
    • Отклонението се увеличава и дисперсията намалява
  4. Добавяне на L2 (гребен) регулация към модел като цяло:
    • Намалява пристрастията с цената на повече вариации
    • Елиминира нередуцируема грешка
    • Намалява дисперсията с цената на малко повече пристрастия
    • Няма ефект нито върху отклонението, нито върху дисперсията
  5. Нередуцируемата грешка в разлагането на отклонение-вариация представлява:
    • Грешка, причинена от избор на грешен алгоритъм
    • Грешка от присъщ шум в данните, който нито един модел не може да премахне
    • Грешка, която изчезва с повече данни за обучение
    • Грешка, причинена само от голяма дисперсия
  6. Феноменът на „двойното спускане“, наблюдаван при дълбокото обучение, предполага, че:
    • Тестовата грешка може да намалее отново, тъй като моделите растат далеч от точката на интерполиране на данните за обучение
    • Тестовата грешка винаги следва проста U-образна форма
    • Дисперсията никога не е от значение за невронните мрежи
    • Отклонението винаги е нула в дълбоките модели
  7. При декомпозиция на квадратна грешка отклонението на квадрат е 2, дисперсията е 3, а нередуцируемият шум е 1. Каква е общата очаквана грешка?
    • 14
    • 5
    • 3
    • 6
  8. Защо осредняването на много декорелирани дървета може да помогне в примера със случайна гора?
    • Той премахва целия шум от процеса на генериране на данни
    • Гарантира нулева грешка при теста
    • Може да намали дисперсията на комбинираната прогноза
    • Той преобразува всяко дърво в линеен модел