Mit dem Guide verknüpftes Quiz · Mittel Ebene

Bias-Varianz-Kompromiss-Quiz

Wenden Sie Bias, Varianz, Regularisierung, Bagging und die Quadratfehlerzerlegung an und erkennen Sie dabei die Grenzen der klassischen Komplexitätskurve.

Verwandte FührungspfadeBias-Varianz-Kompromiss
Frage 1 von 8

Ein Modell, das zu einfach ist, um das zugrunde liegende Muster in den Daten zu erfassen, hat vor allem folgende Probleme:

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Ein Modell, das zu einfach ist, um das zugrunde liegende Muster in den Daten zu erfassen, hat vor allem folgende Probleme:
    • Hohe Varianz
    • Hohe Voreingenommenheit
    • Geringer irreduzibler Fehler
    • Überanpassung
  2. Welches Szenario ist ein klassisches Zeichen für hohe Varianz (Überanpassung)?
    • Trainings- und Testfehler sind beide hoch und ähnlich
    • Das Modell ignoriert die meisten Funktionen
    • Das Hinzufügen weiterer Regularisierung erhöht den Trainingsfehler in Richtung Testfehler
    • Der Trainingsfehler ist sehr gering, der Testfehler jedoch viel höher
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Der Bias nimmt ab und die Varianz nimmt zu
    • Beides nimmt zu
    • Beide nehmen ab
    • Der Bias nimmt zu und die Varianz nimmt ab
  4. Allgemeines Hinzufügen einer L2-Regularisierung (Ridge) zu einem Modell:
    • Reduziert Verzerrungen auf Kosten einer größeren Varianz
    • Eliminiert irreduzible Fehler
    • Reduziert die Varianz auf Kosten einer etwas größeren Verzerrung
    • Hat keinen Einfluss auf Bias oder Varianz
  5. Der irreduzible Fehler bei der Bias-Varianz-Zerlegung stellt Folgendes dar:
    • Fehler, der durch die Auswahl des falschen Algorithmus verursacht wurde
    • Fehler durch inhärentes Rauschen in den Daten, das kein Modell entfernen kann
    • Fehler, der mit mehr Trainingsdaten verschwindet
    • Fehler nur durch hohe Varianz verursacht
  6. Das beim Deep Learning beobachtete „Double Descent“-Phänomen legt Folgendes nahe:
    • Der Testfehler kann wieder abnehmen, wenn die Modelle weit über den Punkt der Interpolation der Trainingsdaten hinaus wachsen
    • Der Testfehler folgt immer einer einfachen U-Form
    • Varianz spielt für neuronale Netze keine Rolle
    • In tiefen Modellen ist der Bias immer Null
  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