Тест на компромисс между смещением и дисперсией

Ответы и пояснения появляются по мере прохождения теста.

1. Модель, которая слишком проста для того, чтобы уловить основную закономерность в данных, в первую очередь страдает от:
   • Высокая дисперсия
   • Высокая предвзятость
   • Низкая неустранимая ошибка
   • Переобучение
2. Какой сценарий является классическим признаком высокой дисперсии (переоснащения)?
   • Ошибка обучения и тестирования высока и одинакова.
   • Модель игнорирует большинство функций.
   • Добавление большей регуляризации увеличивает ошибку обучения в сторону ошибки теста.
   • Ошибка обучения очень мала, но ошибка теста намного выше
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • Смещение уменьшается, а дисперсия увеличивается
   • Оба увеличивают
   • Оба уменьшаются
   • Смещение увеличивается, а дисперсия уменьшается
4. Добавление регуляризации L2 (гребня) в модель в целом:
   • Уменьшает предвзятость за счет большей дисперсии
   • Устраняет неустранимую ошибку
   • Уменьшает дисперсию за счет немного большей предвзятости.
   • Не влияет ни на смещение, ни на дисперсию
5. Неуменьшаемая ошибка при разложении смещения-дисперсии представляет собой:
   • Ошибка, вызванная выбором неправильного алгоритма
   • Ошибка из-за собственного шума в данных, которую не может устранить ни одна модель.
   • Ошибка, которая исчезает при увеличении количества обучающих данных.
   • Ошибка, вызванная только высокой дисперсией
6. Феномен «двойного спуска», наблюдаемый в глубоком обучении, предполагает, что:
   • Ошибка теста может снова уменьшиться, поскольку модели выходят далеко за пределы интерполяции обучающих данных.
   • Ошибка теста всегда имеет простую U-образную форму.
   • Дисперсия никогда не имеет значения для нейронных сетей
   • В глубоких моделях смещение всегда равно нулю.
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