बायस-वेरिएंस ट्रेडऑफ़ क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. एक मॉडल जो डेटा में अंतर्निहित पैटर्न को पकड़ने में बहुत सरल है, मुख्य रूप से निम्न से ग्रस्त है:
   • उच्च विचरण
   • उच्च पूर्वाग्रह
   • कम अपरिवर्तनीय त्रुटि
   • ओवरफिटिंग
2. कौन सा परिदृश्य उच्च विचरण (ओवरफिटिंग) का क्लासिक संकेत है?
   • प्रशिक्षण और परीक्षण त्रुटि दोनों उच्च और समान हैं
   • मॉडल अधिकांश सुविधाओं को अनदेखा करता है
   • अधिक नियमितीकरण जोड़ने से परीक्षण त्रुटि की ओर प्रशिक्षण त्रुटि बढ़ जाती है
   • प्रशिक्षण त्रुटि बहुत कम है लेकिन परीक्षण त्रुटि बहुत अधिक है
3. गाइड में वर्णित क्लासिक पूर्वाग्रह-विचरण चित्र में, कौन सा ट्रेडऑफ़ बढ़े हुए मॉडल लचीलेपन के साथ हो सकता है?
   • पूर्वाग्रह घटता है और विचरण बढ़ता है
   • दोनों बढ़ते हैं
   • दोनों घटते हैं
   • पूर्वाग्रह बढ़ता है और विचरण घटता है
4. आम तौर पर किसी मॉडल में L2 (रिज) नियमितीकरण जोड़ना:
   • अधिक भिन्नता की कीमत पर पूर्वाग्रह को कम करता है
   • अघुलनशील त्रुटि को दूर करता है
   • थोड़े अधिक पूर्वाग्रह की कीमत पर विचरण को कम करता है
   • किसी भी पूर्वाग्रह या भिन्नता पर कोई प्रभाव नहीं पड़ता है
5. पूर्वाग्रह-विचरण अपघटन में अघुलनशील त्रुटि दर्शाती है:
   • ग़लत एल्गोरिथम चुनने के कारण त्रुटि हुई
   • डेटा में अंतर्निहित शोर से त्रुटि जिसे कोई मॉडल दूर नहीं कर सकता
   • त्रुटि जो अधिक प्रशिक्षण डेटा के साथ गायब हो जाती है
   • त्रुटि केवल उच्च विचरण के कारण हुई
6. गहन शिक्षण में देखी गई 'डबल डिसेंट' घटना से पता चलता है कि:
   • परीक्षण त्रुटि फिर से कम हो सकती है क्योंकि मॉडल प्रशिक्षण डेटा को प्रक्षेपित करने के बिंदु से बहुत आगे बढ़ जाते हैं
   • परीक्षण त्रुटि हमेशा एक साधारण यू-आकार का अनुसरण करती है
   • तंत्रिका नेटवर्क के लिए भिन्नता कभी मायने नहीं रखती
   • गहरे मॉडलों में पूर्वाग्रह हमेशा शून्य होता है
7. एक वर्ग-त्रुटि अपघटन में, वर्ग पूर्वाग्रह 2 है, विचरण 3 है, और अपरिवर्तनीय शोर 1 है। कुल अपेक्षित त्रुटि क्या है?
   • 14
   • 5
   • 3
   • 6
8. यादृच्छिक-वन उदाहरण में कई सहसंबद्ध पेड़ों का औसत क्यों मदद कर सकता है?
   • यह डेटा-जनरेटिंग प्रक्रिया से सभी शोर को हटा देता है
   • यह शून्य परीक्षण त्रुटि की गारंटी देता है
   • यह संयुक्त पूर्वानुमान के विचरण को कम कर सकता है
   • यह प्रत्येक पेड़ को एक रैखिक मॉडल में परिवर्तित करता है