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.

Kapcsolódó útmutató utakBias Variance kompromisszum
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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