Testul privind schimbul de părtinire-varianță

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Un model care este prea simplu pentru a captura modelul de bază în date suferă în principal de:
   • Varianta mare
   • Prejudecata mare
   • Eroare ireductibilă scăzută
   • Supramontare
2. Care scenariu este un semn clasic de varianță ridicată (suprafitting)?
   • Eroarea de antrenament și de testare sunt atât mari, cât și similare
   • Modelul ignoră majoritatea caracteristicilor
   • Adăugarea mai multor regularizări crește eroarea de antrenament față de eroarea de testare
   • Eroarea de antrenament este foarte mică, dar eroarea de testare este mult mai mare
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • Prejudiciul scade și varianța crește
   • Ambele cresc
   • Ambele scad
   • Prejudecățile crește și varianța scade
4. Adăugarea regularizării L2 (crestă) la un model în general:
   • Reduce părtinirea cu prețul unei variații mai mari
   • Elimină eroarea ireductibilă
   • Reduce variația cu prețul unei părtiniri puțin mai mari
   • Nu are nici un efect asupra părtinirii sau variației
5. Eroarea ireductibilă în descompunerea bias-variance reprezintă:
   • Eroare cauzată de alegerea unui algoritm greșit
   • Eroare de la zgomotul inerent în date pe care niciun model nu o poate elimina
   • Eroare care dispare cu mai multe date de antrenament
   • Eroare cauzată numai de variația mare
6. Fenomenul „coborâre dublă” observat în învățarea profundă sugerează că:
   • Eroarea de testare poate scădea din nou pe măsură ce modelele cresc cu mult peste punctul de interpolare a datelor de antrenament
   • Eroarea de testare urmează întotdeauna o simplă formă de U
   • Varianta nu contează niciodată pentru rețelele neuronale
   • Prejudecata este întotdeauna zero în modelele profunde
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