Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Bias-Variance Tradeoff

Εφαρμόστε την προκατάληψη, τη διακύμανση, την τακτοποίηση, τη συσσώρευση και την αποσύνθεση του τετραγώνου σφάλματος ενώ αναγνωρίζετε τα όρια της κλασικής καμπύλης πολυπλοκότητας.

Σχετικές διαδρομές οδηγώνBias Variance Tradeoff
Ερώτηση 1 του 8

Ένα μοντέλο που είναι πολύ απλό για να συλλάβει το υποκείμενο μοτίβο στα δεδομένα πάσχει κυρίως από:

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ένα μοντέλο που είναι πολύ απλό για να συλλάβει το υποκείμενο μοτίβο στα δεδομένα πάσχει κυρίως από:
    • Υψηλή διακύμανση
    • Υψηλή προκατάληψη
    • Χαμηλό μη μειωμένο σφάλμα
    • Υπερβολική τοποθέτηση
  2. Ποιο σενάριο είναι κλασικό σημάδι υψηλής διακύμανσης (υπερπροσαρμογή);
    • Το σφάλμα εκπαίδευσης και δοκιμής είναι τόσο υψηλά όσο και παρόμοια
    • Το μοντέλο αγνοεί τα περισσότερα χαρακτηριστικά
    • Η προσθήκη περισσότερης τακτοποίησης αυξάνει το σφάλμα προπόνησης προς το σφάλμα δοκιμής
    • Το σφάλμα προπόνησης είναι πολύ χαμηλό, αλλά το σφάλμα δοκιμής είναι πολύ υψηλότερο
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Η προκατάληψη μειώνεται και η διακύμανση αυξάνεται
    • Αυξάνονται και τα δύο
    • Και τα δύο μειώνονται
    • Η προκατάληψη αυξάνεται και η διακύμανση μειώνεται
  4. Προσθήκη κανονικοποίησης L2 (ράχη) σε ένα μοντέλο γενικά:
    • Μειώνει την προκατάληψη με κόστος μεγαλύτερης διακύμανσης
    • Εξαλείφει το μη αναστρέψιμο σφάλμα
    • Μειώνει τη διακύμανση με το κόστος της ελαφρώς μεγαλύτερης μεροληψίας
    • Δεν έχει καμία επίδραση ούτε στην προκατάληψη ούτε στη διακύμανση
  5. Το μη αναγόμενο σφάλμα στην αποσύνθεση μεροληψίας-διακύμανσης αντιπροσωπεύει:
    • Σφάλμα που προκλήθηκε από την επιλογή λανθασμένου αλγορίθμου
    • Σφάλμα από εγγενή θόρυβο στα δεδομένα που κανένα μοντέλο δεν μπορεί να αφαιρέσει
    • Σφάλμα που εξαφανίζεται με περισσότερα δεδομένα εκπαίδευσης
    • Σφάλμα που προκαλείται μόνο από υψηλή διακύμανση
  6. Το φαινόμενο της «διπλής κάθοδος» που παρατηρείται στη βαθιά μάθηση υποδηλώνει ότι:
    • Το σφάλμα δοκιμής μπορεί να μειωθεί ξανά καθώς τα μοντέλα μεγαλώνουν πολύ πέρα από το σημείο παρεμβολής των δεδομένων εκπαίδευσης
    • Το σφάλμα δοκιμής ακολουθεί πάντα ένα απλό σχήμα U
    • Η διακύμανση δεν έχει ποτέ σημασία για τα νευρωνικά δίκτυα
    • Η προκατάληψη είναι πάντα μηδενική στα βαθιά μοντέλα
  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