Викторина, связанная с руководством · Средний Уровень

Викторина по байесовской и частотной статистике

Проверяет доверительные интервалы повторной выборки, байесовские априорные и апостериорные значения, а также то, что означают доверительные интервалы в рамках заявленной модели.

Связанные направляющие путиБайесианская и частотная статистика
Вопрос 1 из 8

В рамках этого руководства, как частичный определяет вероятность?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. В рамках этого руководства, как частичный определяет вероятность?
    • Как степень личного убеждения, обновляемая доказательствами
    • Как фиксированное число, назначенное регулятором
    • Как всегда равное 0,5, если не доказано иное
    • Как частотность события в долгосрочной перспективе при повторных испытаниях
  2. Что на самом деле утверждает 95%‑й частичный доверительный интервал, согласно руководству?
    • 95% таких интервалов в повторных экспериментах содержат истинное значение
    • Существует 95% шанс, что истинное значение находится в этом конкретном интервале
    • Параметр имеет 95% вероятность быть положительным
    • 95% данных попадает в этот диапазон
  3. Почему байесовский достоверный интервал интерпретируется иначе, чем частичный доверительный интервал?
    • Потому что он всегда уже
    • Потому что он никогда не содержит истинное значение
    • Потому что его можно прочитать как прямое вероятностное утверждение о параметре, учитывая модель и априорное распределение
    • Потому что для этого вообще не нужны данные
  4. Какой компонент, названный в байесовском анализе, должен быть указан, чего не требует стандартный частотный максимум-вероятностный анализ?
    • Порог p-значения
    • Априорное распределение
    • Размер выборки
    • Уровень доверия
  5. Какой метод машинного обучения описан в руководстве как пример применения байесовского рассуждения к классификации?
    • Логистическая регрессия, обученная методом максимального правдоподобия
    • Стандартный градиентный спуск на нейронной сети
    • K-средства кластеризации
    • Классификаторы Наивного Байеса
  6. Что еще должен учитывать байесовский анализ A/B, когда результаты используются по мере поступления данных со временем?
    • Этот байесовский анализ делает представительность выборки несущественной
    • То, что любое правило остановки автоматически действительно
    • То, что априорное распределение и правдоподобие определяют апостериорное, а план остановки и принятия решений всё ещё требует внимательности
    • То, что апостериорные вероятности устраняют неопределённость
  7. Согласно техническому разделу, какая общая техника регуляризации математически эквивалентна наложению байесовского априори?
    • L2‑штраф
    • Отсев
    • Пакетная нормализация
    • Раннее прекращение обучения
  8. Какие методы приближения упоминаются в руководстве для вычисления невычислимого байесовского апостериора?
    • Градиентный спуск и пакетная нормализация
    • Отбор Марковских цепей (MCMC) и вариационный вывод
    • Кросс‑валидация и перебор по сетке
    • Обратное распространение и дропаут