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.
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.
- 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
- Milyen viselkedést alkalmaz a Huber veszteség kis maradékok esetén?
- Állandó büntetés
- Kvadratikus büntetés
- Bináris kiugró címke
- Nem járul hozzá a célhoz
- 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
- 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
- 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
- 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
- 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
- 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