과적합 및 과소적합 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 비교 가능한 학습 및 유지 조건에서 예시 모델은 훈련에서 98%, 유지 데이터에서 71%의 점수를 받았습니다. 그 격차와 일치하는 피팅 문제는 무엇입니까?
   • 훈련 성능이 필연적으로 낮기 때문에 과소적합
   • 홀드 아웃 세트에 정보가 없다는 보장
   • 훈련별 패턴에 대한 과적합
   • 모든 더 큰 모델이 격차를 해결할 것이라는 증거
2. 유용한 구조에 과소적합된 모델과 일치할 수 있는 성능 패턴은 무엇입니까?
   • 훈련 데이터와 보유 데이터 모두에서 성능이 좋지 않습니다.
   • 열악한 유지 성능만으로 우수한 훈련 성능
   • 두 데이터 세트 모두에서 완벽한 성능 보장
   • 목표가 전역적으로 최소화되도록 보장
3. 편향-분산 분석에서 높은 추정자 분산은 무엇과 관련이 있습니까?
   • 측정 노이즈의 불가피한 부족
   • 훈련 표본이 사용되는 적합 예측의 민감도
   • 모델이 선형 함수라는 보장
   • 훈련 시대의 벽시계 시간
4. 주택 가격 모델은 관련 입력을 너무 제한적으로 표현하고 적합성이 낮습니다. 어떤 후보 변경을 평가해야 합니까?
   • 평가 없이 모든 관련 입력 제거
   • 더 큰 모델이 항상 정확해야 한다고 가정
   • 최종 테스트 세트를 훈련 데이터로 반복적으로 사용
   • 유용한 기능을 추가하거나 보다 적합한 모델 표현 비교
5. 과적합을 탐지하는 데 지속 검증 또는 테스트 세트가 필수적인 이유는 무엇입니까?
   • 모델이 학습하지 않은 데이터에 대한 성능을 측정하여 일반화 격차를 드러냅니다.
   • 훈련이 더 빠르게 진행됩니다.
   • 모델이 절대 오류를 범하지 않음을 보장합니다.
   • 손실 함수의 필요성을 대체합니다.
6. 연구된 예에서 모델 크기 이중 하강이라고 불리는 패턴은 무엇입니까?
   • 모든 데이터 세트는 정확히 동일한 오류 곡선을 생성해야 합니다.
   • 훈련 손실은 매 에포크마다 정확히 두 번씩 절반으로 줄어듭니다.
   • 테스트 오류는 보간 방식 근처에서 증가한 다음 용량이 증가함에 따라 감소할 수 있습니다.
   • 두 모델은 항상 훈련되고 평균화됩니다.
7. 최종 테스트 세트를 반복되는 모델 선택 선택과 별도로 유지해야 하는 이유는 무엇입니까?
   • 모든 학습 속도 결정에 사용해야 합니다.
   • 미래 예측 오류 제로를 보장합니다.
   • 검증 데이터가 필요하지 않습니다.
   • 이를 반복적으로 선택하면 최종 보고된 추정치를 낙관적으로 만들 수 있습니다.
8. 고정된 정보와 관찰 조건을 사용하는 제곱 오차 편향-분산 분해에서 모델 용량 변경만으로 제거할 수 없는 것은 무엇입니까?
   • 모델 명칭의 정의
   • 조건부 노이즈 구성 요소
   • 정의에 따라 가능한 모든 체계적인 편향
   • 예측 계산 요구 사항