ガイド連動クイズ · 中 レベル

バイアスと分散のトレードオフ クイズ

古典的な複雑さ曲線の限界を認識しながら、バイアス、分散、正則化、バギング、二乗誤差分解を適用します。

関連するガイドパスバイアス分散のトレードオフ
質問 1 の 8

モデルが単純すぎてデータの根底にあるパターンを捉えることができない場合、主に次のような問題が発生します。

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. モデルが単純すぎてデータの根底にあるパターンを捉えることができない場合、主に次のような問題が発生します。
    • 高い分散
    • 高バイアス
    • 低減不可能なエラーが少ない
    • 過学習
  2. どのシナリオが高分散 (過学習) の典型的な兆候ですか?
    • トレーニングとテストのエラーは両方とも高く、同様です
    • モデルはほとんどの特徴を無視します
    • 正則化をさらに追加すると、トレーニング誤差がテスト誤差に向かって増加します
    • トレーニング誤差は非常に低いですが、テスト誤差ははるかに高くなります
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • バイアスが減少し、分散が増加する
    • どちらも増えます
    • どちらも減る
    • バイアスが増加し、分散が減少します
  4. L2 (リッジ) 正則化をモデルに追加すると、一般的に次のようになります。
    • 分散が大きくなる代わりにバイアスを減らす
    • 還元不可能なエラーを排除
    • バイアスがわずかに増加する代わりに分散を削減します
    • 偏りや分散には影響しません
  5. バイアス分散分解における既約誤差は次のように表されます。
    • 間違ったアルゴリズムの選択により発生するエラー
    • どのモデルも除去できないデータ固有のノイズによる誤差
    • トレーニングデータが増えると消えるエラー
    • 高い分散によってのみ発生するエラー
  6. 深層学習で観察される「二重降下」現象は、次のことを示唆しています。
    • モデルがトレーニング データの内挿点をはるかに超えて成長するにつれて、テスト エラーは再び減少する可能性があります
    • テストエラーは常に単純な U 字型をたどります
    • ニューラル ネットワークにとって分散は重要ではありません
    • ディープモデルではバイアスは常にゼロです
  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