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.

Связанные направляющие путиПереоснащение и недостаточное оснащение
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.

  1. 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.
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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.
  7. 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.
  8. 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