Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor bias-variantie-afweging
Pas bias, variantie, regularisatie, bagging en de decompositie van kwadratische fouten toe, terwijl je de grenzen van de klassieke complexiteitscurve herkent.
Vraag 1 van 8
Een model dat te simpel is om het onderliggende patroon in de data vast te leggen, heeft vooral te lijden onder:
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Een model dat te simpel is om het onderliggende patroon in de data vast te leggen, heeft vooral te lijden onder:
- Hoge variantie
- Hoge bias
- Lage onherleidbare fout
- Overfitting
- Welk scenario is een klassiek teken van hoge variantie (overfitting)?
- Trainings- en testfouten zijn beide hoog en vergelijkbaar
- Het model negeert de meeste kenmerken
- Door meer regularisatie toe te voegen, wordt de trainingsfout groter in de richting van de testfout
- De trainingsfout is erg laag, maar de testfout is veel hoger
- In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
- De bias neemt af en de variantie neemt toe
- Beide stijgen
- Beide afnemen
- De bias neemt toe en de variantie neemt af
- Het toevoegen van L2 (ridge)-regularisatie aan een model in het algemeen:
- Vermindert bias ten koste van meer variantie
- Elimineert onherleidbare fouten
- Vermindert de variantie ten koste van iets meer bias
- Heeft geen effect op bias of variantie
- De onherleidbare fout in de bias-variantie-ontleding vertegenwoordigt:
- Fout veroorzaakt door het kiezen van het verkeerde algoritme
- Fout door inherente ruis in de gegevens die geen enkel model kan verwijderen
- Fout die verdwijnt met meer trainingsgegevens
- Fout alleen veroorzaakt door hoge variantie
- Het fenomeen ‘dubbele afdaling’ dat wordt waargenomen bij deep learning suggereert dat:
- De testfout kan weer afnemen naarmate modellen ver voorbij het punt komen waarop de trainingsgegevens zijn geïnterpoleerd
- Testfout volgt altijd een eenvoudige U-vorm
- Variantie doet er nooit toe voor neurale netwerken
- De bias is altijd nul in diepe modellen
- 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