Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Bias-Variance kompromisszum kvíz
Apply bias, variance, regularization, bagging, and the squared-error decomposition while recognizing the limits of the classic complexity curve.
kérdés 1 -ból 8
Az a modell, amely túl egyszerű ahhoz, hogy rögzítse a mögöttes mintát az adatokban, elsősorban a következőktől szenved:
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Az a modell, amely túl egyszerű ahhoz, hogy rögzítse a mögöttes mintát az adatokban, elsősorban a következőktől szenved:
- Magas szórás
- Magas elfogultság
- Alacsony csökkenthetetlen hiba
- Túlszerelés
- Melyik forgatókönyv a nagy szórás (túlillesztés) klasszikus jele?
- A képzési és teszthiba egyaránt magas és hasonló
- A modell figyelmen kívül hagyja a legtöbb funkciót
- További szabályosítás hozzáadása növeli a képzési hibákat a teszthibák irányába
- A képzési hiba nagyon alacsony, de a teszt hiba sokkal magasabb
- In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
- A torzítás csökken, a szórás pedig nő
- Mindkettő nő
- Mindkettő csökken
- A torzítás növekszik, a szórás pedig csökken
- L2 (gerinc) regularizáció hozzáadása egy modellhez általában:
- Csökkenti a torzítást a nagyobb eltérés árán
- Kiküszöböli a csökkenthetetlen hibát
- Csökkenti a szórást némileg nagyobb torzítás árán
- Nincs hatással sem a torzításra, sem a szórásra
- A torzítás-variancia dekompozíció irreducibilis hibája a következő:
- Hiba a rossz algoritmus kiválasztása miatt
- Hiba az adatokban rejlő zajból, amelyet egyetlen modell sem tud eltávolítani
- Hiba, amely több edzési adattal eltűnik
- A hibát csak a nagy szórás okozza
- A mély tanulásban megfigyelt „kettős süllyedés” jelenség arra utal, hogy:
- A teszthiba ismét csökkenhet, ha a modellek messze túlnőnek a betanítási adatok interpolálásán
- A teszthiba mindig egy egyszerű U alakot követ
- A variancia soha nem számít a neurális hálózatoknál
- A mély modellekben az elfogultság mindig nulla
- 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
- 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