Cuestionario vinculado a una guía · Medio Nivel

Prueba de compensación de sesgo y varianza

Aplique sesgo, varianza, regularización, embolsado y descomposición de error al cuadrado reconociendo al mismo tiempo los límites de la curva de complejidad clásica.

Rutas de guía relacionadasCompensación de variación de sesgo
Pregunta 1 de 8

Un modelo que es demasiado simple para capturar el patrón subyacente en los datos sufre principalmente de:

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. Un modelo que es demasiado simple para capturar el patrón subyacente en los datos sufre principalmente de:
    • Alta varianza
    • Alto sesgo
    • Error irreducible bajo
    • Sobreajuste
  2. ¿Qué escenario es un signo clásico de alta variación (sobreajuste)?
    • El error de entrenamiento y de prueba es alto y similar
    • El modelo ignora la mayoría de las características.
    • Agregar más regularización aumenta el error de entrenamiento hacia el error de prueba
    • El error de entrenamiento es muy bajo pero el error de prueba es mucho mayor
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • El sesgo disminuye y la varianza aumenta.
    • Ambos aumentan
    • Ambos disminuyen
    • El sesgo aumenta y la varianza disminuye
  4. Agregar regularización L2 (cresta) a un modelo en general:
    • Reduce el sesgo a costa de una mayor variación
    • Elimina el error irreducible
    • Reduce la variación a costa de un poco más de sesgo.
    • No tiene efecto ni sobre el sesgo ni sobre la varianza
  5. El error irreducible en la descomposición sesgo-varianza representa:
    • Error causado por elegir el algoritmo incorrecto
    • Error por ruido inherente en los datos que ningún modelo puede eliminar
    • Error que desaparece con más datos de entrenamiento
    • Error causado solo por una variación alta
  6. El fenómeno del "doble descenso" observado en el aprendizaje profundo sugiere que:
    • El error de prueba puede disminuir nuevamente a medida que los modelos crecen mucho más allá del punto de interpolación de los datos de entrenamiento.
    • El error de prueba siempre sigue una simple forma de U
    • La variación nunca importa para las redes neuronales
    • El sesgo es siempre cero en modelos profundos.
  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