Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Huber veszteség és robusztus regressziós kvíz

Hasonlítsa össze Huber két veszteségi régióját a legkisebb négyzetek és a konszenzusos módszerekkel, és gyakorolja a robusztus becslések illesztését az adatfeltételekhez.

Kapcsolódó útmutató utakHuber veszteség és robusztus regresszió
kérdés 1 -ból 8

Hogyan kezeli a Huber-veszteség a küszöbértékét messze meghaladó maradékot?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Hogyan kezeli a Huber-veszteség a küszöbértékét messze meghaladó maradékot?
    • Büntetése lineárisan növekszik a maradék nagyságrenddel
    • A büntetés pontosan nulla lesz
    • A maradékot gyorsabban négyzetre emeli
    • Automatikusan eltávolítja a megfigyelést
  2. Milyen viselkedést alkalmaz a Huber veszteség kis maradékok esetén?
    • Állandó büntetés
    • Kvadratikus büntetés
    • Bináris kiugró címke
    • Nem járul hozzá a célhoz
  3. Miben különbözik a RANSAC a Huber-regressziótól a leírt megközelítésben?
    • Csak az osztályvalószínűségeket becsüli meg
    • Minden ponthoz ugyanazt a négyzetes büntetést rendeli
    • Konszenzushalmazt keres az ismételten illesztett részhalmazokból
    • Megszünteti a küszöb kiválasztásának szükségességét
  4. A nagy maradék érvényes, fontos ritka esemény. Mit kell figyelembe vennie az elemzőnek a Huber loss alkalmazása előtt?
    • Hogy a ritkaság önmagában elég-e ahhoz, hogy az eseményt mérési hibaként kezeljük
    • A Huber-vesztés automatikusan átcímkézi-e a megfigyelést inlierként
    • Minden ritka megfigyelést el kell-e távolítani az értékelés előtt
    • Az esemény lesúlyozása ütközik-e a döntési céllal
  5. Miért fordulhat elő szélsőséges maradék még akkor is, ha a rekord nem hibás?
    • Minden nagy maradék adatbeviteli hiba
    • Lehet, hogy ez egy érvényes ritka esemény, vagy a modell hibás specifikációját tükrözi
    • Huber veszteség hozza létre az összes nagy maradékot
    • A lineáris prediktornak nem lehetnek maradékai
  6. Mikor kell robusztus küszöböt választani?
    • Hangoljon ismételten a végső teszt hibáira, mert ezek tükrözik a legjobban a telepítést
    • Válassza ki azt a küszöböt, amely minimálisra csökkenti az edzési veszteséget, majd jelentse ugyanazt az edzési pontszámot
    • Válassza ki a képzési vagy érvényesítési adatok segítségével, miközben lefoglalja a végső tesztkészletet
    • Használja az alapértelmezett könyvtárat anélkül, hogy ellenőrizné, hogy megfelel-e a maradék skálának
  7. Melyik jellemző maradhat aggályos a robusztus regresszió miatt a nagy válaszmaradékokra való csökkent érzékenység ellenére?
    • Csak azt, hogy az átlagos válaszmaradék nulla-e
    • Csak az, hogy a maradék hisztogramnak van-e szimmetrikus középpontja
    • Csak az, hogy a válaszváltozó szabványos volt-e
    • A szokatlan előrejelző-tér tőkeáttétel továbbra is befolyásolhatja-e az illeszkedést
  8. Miért kell jelenteni a farok teljesítményét, ha a szélsőséges hibák számítanak a működésben?
    • Egy robusztus célkitűzés alábecsülheti azokat az eseteket, amelyek dominálnak a működési kockázatot
    • A Huber-vesztés minden extrém megfigyelést pontosan nulla befolyással rendel
    • Az edzési veszteség önmagában méri a nem látott szélsőséges eredmények pontosságát
    • Az átlagos maradék minden farokhiba méretét azonosítja