Questionário vinculado ao guia · Médio Nível

Questionário de compensação entre polarização e variância

Aplique viés, variância, regularização, empacotamento e decomposição de erro quadrático enquanto reconhece os limites da curva de complexidade clássica.

Caminhos de guia relacionadosTroca de variação de polarização
Pergunta 1 de 8

Um modelo que é muito simples para capturar o padrão subjacente nos dados sofre principalmente de:

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Um modelo que é muito simples para capturar o padrão subjacente nos dados sofre principalmente de:
    • Alta variação
    • Alto viés
    • Erro irredutível baixo
    • Sobreajuste
  2. Qual cenário é um sinal clássico de alta variância (overfitting)?
    • Os erros de treinamento e teste são altos e semelhantes
    • O modelo ignora a maioria dos recursos
    • Adicionar mais regularização aumenta o erro de treinamento em relação ao erro de teste
    • O erro de treinamento é muito baixo, mas o erro de teste é muito maior
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • O viés diminui e a variância aumenta
    • Ambos aumentam
    • Ambos diminuem
    • O viés aumenta e a variância diminui
  4. Adicionar regularização L2 (crista) a um modelo geralmente:
    • Reduz o preconceito ao custo de mais variação
    • Elimina erros irredutíveis
    • Reduz a variação ao custo de um pouco mais de viés
    • Não tem efeito sobre o viés ou a variância
  5. O erro irredutível na decomposição de polarização-variância representa:
    • Erro causado pela escolha do algoritmo errado
    • Erro de ruído inerente aos dados que nenhum modelo pode remover
    • Erro que desaparece com mais dados de treinamento
    • Erro causado apenas por alta variação
  6. O fenômeno da ‘dupla descida’ observado na aprendizagem profunda sugere que:
    • O erro de teste pode diminuir novamente à medida que os modelos crescem muito além do ponto de interpolação dos dados de treinamento
    • O erro de teste sempre segue uma forma de U simples
    • A variação nunca importa para redes neurais
    • O viés é sempre zero em modelos profundos
  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