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.

Gerelateerde gidspadenAfweging van biasvariantie
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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