Викторина, связанная с руководством · Средний Уровень
Викторина по переоснащению и недостаточному оснащению
Просмотрите шаблоны подгонки, чувствительность выборки, варианты представления, роли проверки и тестирования, двойной спуск и шум при фиксированном наборе информации.
Вопрос 1 из 8
В сопоставимых условиях обучения и выдержки показательная модель набирает 98% по обучению и 71% по выдержанным данным. Какая подходящая проблема соответствует этому разрыву?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- В сопоставимых условиях обучения и выдержки показательная модель набирает 98% по обучению и 71% по выдержанным данным. Какая подходящая проблема соответствует этому разрыву?
- Недостаточная приспособленность, потому что эффективность тренировок обязательно плохая.
- Гарантия, что удерживаемое множество не содержит информации
- Адаптация к шаблонам, специфичным для тренировок
- Доказательство того, что каждая более крупная модель исправит этот пробел.
- Какая модель производительности может соответствовать модели, не соответствующей полезной структуре?
- Плохая производительность как по обучающим, так и по устаревшим данным.
- Отличные тренировочные результаты с плохими результатами только при длительном выдержке
- Гарантированная идеальная производительность для обоих наборов данных
- Гарантия того, что цель минимизируется глобально
- К чему относится высокая дисперсия оценки в дисперсионном анализе?
- Неизбежное отсутствие какого-либо шума при измерении.
- Чувствительность подобранных прогнозов, для которых используется обучающая выборка
- Гарантия того, что модель является линейной функцией
- Время настенных часов эпохи обучения
- Модель цен на жилье слишком ограничена в представлении соответствующих исходных данных и плохо подходит для нее. Какое изменение кандидата следует оценить?
- Удаление всех соответствующих входных данных без оценки
- Предполагая, что более крупная модель всегда должна быть правильной
- Повторное использование окончательного набора тестов в качестве обучающих данных
- Добавление полезных функций или сравнение более подходящего представления модели
- Почему отсроченная проверка или набор тестов необходимы для обнаружения переобучения?
- Он измеряет производительность на данных, на которых модель не училась, выявляя пробел в обобщении.
- Это ускоряет обучение
- Это гарантирует, что модель никогда не допустит ошибок.
- Это заменяет необходимость в функции потерь
- Какая закономерность в изученных примерах называется двойным спуском размера модели?
- Каждый набор данных должен давать одну и ту же кривую ошибок.
- Потери при обучении уменьшаются вдвое ровно в два раза за каждую эпоху.
- Ошибка теста может возрастать вблизи режима интерполяции, а затем падать по мере увеличения пропускной способности.
- Две модели всегда обучаются и усредняются.
- Почему окончательный набор тестов следует хранить отдельно от повторного выбора модели?
- Его необходимо использовать для каждого решения о скорости обучения.
- Это гарантирует нулевую ошибку прогнозирования будущего.
- Это устраняет необходимость в данных проверки
- Повторный выбор на нем может сделать окончательную оценку оптимистичной.
- Что не могут устранить одни лишь изменения производительности модели при разложении смещения-дисперсии с квадратичной ошибкой при фиксированной информации и условиях наблюдения?
- Определение названия модели
- Условная шумовая составляющая
- Все возможные систематические отклонения по определению
- Требование расчета прогнозов