Kuis Pengorbanan Bias-Varians

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Model yang terlalu sederhana untuk menangkap pola dasar data akan mengalami masalah:
   • Varians tinggi
   • Biasnya tinggi
   • Kesalahan rendah yang tidak dapat direduksi
   • Keterlaluan
2. Skenario manakah yang merupakan tanda klasik varians tinggi (overfitting)?
   • Kesalahan pelatihan dan pengujian keduanya tinggi dan serupa
   • Model ini mengabaikan sebagian besar fitur
   • Menambahkan lebih banyak regularisasi akan meningkatkan kesalahan pelatihan terhadap kesalahan pengujian
   • Kesalahan pelatihan sangat rendah tetapi kesalahan pengujian jauh lebih tinggi
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • Bias berkurang dan varians meningkat
   • Keduanya meningkat
   • Keduanya menurun
   • Bias meningkat dan varians berkurang
4. Menambahkan regularisasi L2 (ridge) ke model secara umum:
   • Mengurangi bias dengan mengorbankan lebih banyak varians
   • Menghilangkan kesalahan yang tidak dapat direduksi
   • Mengurangi varians dengan mengorbankan bias yang sedikit lebih besar
   • Tidak berpengaruh pada bias atau varians
5. Kesalahan yang tidak dapat direduksi dalam dekomposisi bias-varians menunjukkan:
   • Kesalahan disebabkan oleh pemilihan algoritma yang salah
   • Kesalahan akibat gangguan bawaan pada data yang tidak dapat dihilangkan oleh model mana pun
   • Kesalahan yang hilang dengan lebih banyak data pelatihan
   • Kesalahan hanya disebabkan oleh varians yang tinggi
6. Fenomena 'keturunan ganda' yang diamati dalam pembelajaran mendalam menunjukkan bahwa:
   • Kesalahan pengujian dapat berkurang lagi seiring pertumbuhan model yang jauh melampaui titik interpolasi data pelatihan
   • Kesalahan pengujian selalu mengikuti bentuk U yang sederhana
   • Varians tidak pernah menjadi masalah bagi jaringan saraf
   • Bias selalu nol dalam model yang mendalam
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