বায়াস-ভেরিয়েন্স ট্রেডঅফ কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি মডেল যা ডেটাতে অন্তর্নিহিত প্যাটার্ন ক্যাপচার করার জন্য খুব সহজ প্রাথমিকভাবে ভুগছে:
   • উচ্চ বৈচিত্র্য
   • উচ্চ পক্ষপাত
   • কম অপরিবর্তনীয় ত্রুটি
   • ওভারফিটিং
2. কোন দৃশ্যটি উচ্চ বৈচিত্র্যের একটি ক্লাসিক চিহ্ন (ওভারফিটিং)?
   • প্রশিক্ষণ এবং পরীক্ষার ত্রুটি উভয়ই উচ্চ এবং একই রকম
   • মডেল অধিকাংশ বৈশিষ্ট্য উপেক্ষা
   • আরো নিয়মিতকরণ যোগ করা পরীক্ষার ত্রুটির দিকে প্রশিক্ষণ ত্রুটি বাড়ায়
   • প্রশিক্ষণের ত্রুটি খুবই কম কিন্তু পরীক্ষার ত্রুটি অনেক বেশি
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • পক্ষপাত হ্রাস পায় এবং পার্থক্য বৃদ্ধি পায়
   • উভয়ই বৃদ্ধি পায়
   • উভয়ই হ্রাস পায়
   • পক্ষপাত বৃদ্ধি পায় এবং পার্থক্য হ্রাস পায়
4. সাধারণত একটি মডেলে L2 (রিজ) নিয়মিতকরণ যোগ করা:
   • আরও বৈচিত্র্যের খরচে পক্ষপাত হ্রাস করে
   • অপরিবর্তনীয় ত্রুটি দূর করে
   • সামান্য বেশি পক্ষপাতের খরচে বৈচিত্র্য হ্রাস করে
   • পক্ষপাতিত্ব বা ভিন্নতার উপর কোন প্রভাব নেই
5. বায়াস-ভেরিয়েন্স পচনের অপরিবর্তনীয় ত্রুটি উপস্থাপন করে:
   • ভুল অ্যালগরিদম বেছে নেওয়ার কারণে সমস্যা হয়েছে
   • ডেটাতে অন্তর্নিহিত গোলমাল থেকে ত্রুটি যা কোনও মডেল অপসারণ করতে পারে না
   • আরো প্রশিক্ষণের তথ্যের সাথে অদৃশ্য হয়ে যাওয়া ত্রুটি
   • ত্রুটি শুধুমাত্র উচ্চ পার্থক্য দ্বারা সৃষ্ট
6. গভীর শিক্ষায় পরিলক্ষিত 'ডাবল ডিসেন্ট' ঘটনাটি পরামর্শ দেয় যে:
   • পরীক্ষার ত্রুটি আবার কমে যেতে পারে কারণ মডেলগুলি প্রশিক্ষণের ডেটা ইন্টারপোলেট করার বিন্দু অতিক্রম করে
   • পরীক্ষার ত্রুটি সর্বদা একটি সাধারণ U-আকৃতি অনুসরণ করে
   • নিউরাল নেটওয়ার্কের জন্য ভেরিয়েন্স কখনই গুরুত্বপূর্ণ নয়
   • গভীর মডেলগুলিতে পক্ষপাত সর্বদা শূন্য
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