Quiz collegato alla guida · Medio Livello
Quiz sul compromesso bias-varianza
Applicare bias, varianza, regolarizzazione, bagging e scomposizione dell'errore quadrato riconoscendo i limiti della classica curva di complessità.
Domanda 1 di 8
Un modello troppo semplice per catturare il modello sottostante nei dati soffre principalmente di:
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Un modello troppo semplice per catturare il modello sottostante nei dati soffre principalmente di:
- Alta varianza
- Elevato pregiudizio
- Basso errore irriducibile
- Adattamento eccessivo
- Quale scenario è un classico segno di varianza elevata (overfitting)?
- L'errore di addestramento e di test sono entrambi elevati e simili
- Il modello ignora la maggior parte delle funzionalità
- L'aggiunta di ulteriore regolarizzazione aumenta l'errore di addestramento rispetto all'errore di test
- L'errore di addestramento è molto basso ma l'errore di test è molto più elevato
- In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
- La distorsione diminuisce e la varianza aumenta
- Entrambi aumentano
- Entrambi diminuiscono
- Il bias aumenta e la varianza diminuisce
- Aggiunta della regolarizzazione L2 (cresta) a un modello in genere:
- Riduce la distorsione al costo di una maggiore varianza
- Elimina l'errore irriducibile
- Riduce la varianza al costo di una distorsione leggermente maggiore
- Non ha alcun effetto né sul bias né sulla varianza
- L’errore irriducibile nella scomposizione bias-varianza rappresenta:
- Errore causato dalla scelta dell'algoritmo sbagliato
- Errore dovuto al rumore intrinseco nei dati che nessun modello può rimuovere
- Errore che scompare con più dati di allenamento
- Errore causato solo da una varianza elevata
- Il fenomeno della “doppia discesa” osservato nel deep learning suggerisce che:
- L'errore del test può diminuire nuovamente man mano che i modelli crescono ben oltre il punto di interpolazione dei dati di addestramento
- L'errore del test segue sempre una semplice forma a U
- La varianza non ha mai importanza per le reti neurali
- Il bias è sempre pari a zero nei modelli profondi
- 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