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.
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.
- Model, který je příliš jednoduchý na to, aby zachytil základní vzorec v datech, trpí především:
- Vysoký rozptyl
- Vysoká zaujatost
- Nízká neredukovatelná chyba
- Přetahování
- 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
- 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
- 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
- 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
- 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
- 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
- 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