Quiz lié à un guide · Moyen Niveau

Quiz sur le compromis biais-variance

Appliquez le biais, la variance, la régularisation, l'ensachage et la décomposition par erreur quadratique tout en reconnaissant les limites de la courbe de complexité classique.

Chemins de guidage associésCompromis de variance de biais
Question 1 de 8

Un modèle trop simple pour capturer le modèle sous-jacent dans les données souffre principalement de :

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Un modèle trop simple pour capturer le modèle sous-jacent dans les données souffre principalement de :
    • Écart élevé
    • Biais élevé
    • Faible erreur irréductible
    • Surapprentissage
  2. Quel scénario est un signe classique de variance élevée (surapprentissage) ?
    • Les erreurs de formation et de test sont à la fois élevées et similaires
    • Le modèle ignore la plupart des fonctionnalités
    • L'ajout de plus de régularisation augmente l'erreur de formation vers l'erreur de test
    • L'erreur de formation est très faible mais l'erreur de test est beaucoup plus élevée
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Le biais diminue et la variance augmente
    • Les deux augmentent
    • Les deux diminuent
    • Le biais augmente et la variance diminue
  4. Ajout d'une régularisation L2 (crête) à un modèle en général :
    • Réduit les biais au prix d’une plus grande variance
    • Élimine les erreurs irréductibles
    • Réduit la variance au prix d'un biais légèrement plus important
    • N'a aucun effet sur le biais ou la variance
  5. L’erreur irréductible dans la décomposition biais-variance représente :
    • Erreur causée par le choix du mauvais algorithme
    • Erreur due au bruit inhérent aux données qu'aucun modèle ne peut supprimer
    • Erreur qui disparaît avec plus de données d'entraînement
    • Erreur causée uniquement par une variance élevée
  6. Le phénomène de « double descendance » observé dans le deep learning suggère que :
    • L'erreur de test peut à nouveau diminuer à mesure que les modèles se développent bien au-delà du point d'interpolation des données d'entraînement
    • L'erreur de test suit toujours une simple forme de U
    • La variance n'a jamais d'importance pour les réseaux de neurones
    • Le biais est toujours nul dans les modèles profonds
  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