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.

Percorsi guida correlatiCompromesso della varianza del bias
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.

  1. Un modello troppo semplice per catturare il modello sottostante nei dati soffre principalmente di:
    • Alta varianza
    • Elevato pregiudizio
    • Basso errore irriducibile
    • Adattamento eccessivo
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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