Kvíz spojený s průvodcem · Střední úroveň

Kvíz mezi zkreslením a odchylkou

Aplikujte zkreslení, rozptyl, regularizaci, pytlování a rozklad na druhou chybu a zároveň rozpoznávejte limity klasické křivky složitosti.

Související vodicí cestyKompromis odchylky odchylky
Otázka 1 z 8

Model, který je příliš jednoduchý na to, aby zachytil základní vzorec v datech, trpí především:

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Model, který je příliš jednoduchý na to, aby zachytil základní vzorec v datech, trpí především:
    • Vysoký rozptyl
    • Vysoká zaujatost
    • Nízká neredukovatelná chyba
    • Přetahování
  2. Který scénář je klasickým znakem vysokého rozptylu (overfitting)?
    • Chyba trénování a testu jsou vysoké a podobné
    • Model ignoruje většinu funkcí
    • Přidání větší regularizace zvyšuje trénovací chybu směrem k chybě testu
    • Chyba trénování je velmi nízká, ale chyba testu je mnohem vyšší
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Snižuje se zkreslení a zvyšuje se rozptyl
    • Oba se zvyšují
    • Obojí klesá
    • Zvyšuje se zkreslení a snižuje se rozptyl
  4. Přidání regularizace L2 (hřeben) do modelu obecně:
    • Snižuje zkreslení za cenu větší variability
    • Eliminuje neredukovatelnou chybu
    • Snižuje rozptyl za cenu mírně většího zkreslení
    • Nemá žádný vliv na zkreslení ani rozptyl
  5. Neredukovatelná chyba v rozkladu odchylky-variance představuje:
    • Chyba způsobená výběrem špatného algoritmu
    • Chyba způsobená vlastním šumem v datech, který žádný model nedokáže odstranit
    • Chyba, která zmizí s dalšími tréninkovými daty
    • Chyba způsobená pouze vysokým rozptylem
  6. Fenomén „dvojitého sestupu“ pozorovaný při hlubokém učení naznačuje, že:
    • Chyba testu se může znovu snížit, protože modely rostou daleko za bod interpolace trénovacích dat
    • Chyba testu vždy následuje jednoduchý tvar U
    • Pro neuronové sítě na rozptylu nikdy nezáleží
    • Zkreslení je u hlubokých modelů vždy nulové
  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