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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- Согласно техническому разделу, какая общая техника регуляризации математически эквивалентна наложению байесовского априори?
- L2‑штраф
- Отсев
- Пакетная нормализация
- Раннее прекращение обучения
- 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