Maswali ya Biashara ya Tofauti ya Upendeleo

Majibu na maelezo huonekana unapojibu maswali.

1. Muundo ambao ni rahisi sana kunasa muundo msingi katika data kimsingi huathiriwa na:
   • Tofauti ya juu
   • Upendeleo wa juu
   • Hitilafu ya chini isiyoweza kurekebishwa
   • Kutosha kupita kiasi
2. Ni hali gani ambayo ni ishara ya kawaida ya tofauti kubwa (kupita kiasi)?
   • Makosa ya mafunzo na mtihani ni ya juu na sawa
   • Mfano hupuuza vipengele vingi
   • Kuongeza urekebishaji zaidi huongeza makosa ya mafunzo kuelekea makosa ya jaribio
   • Hitilafu ya mafunzo ni ya chini sana lakini kosa la mtihani ni kubwa zaidi
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • Upendeleo hupungua na tofauti huongezeka
   • Wote wawili huongezeka
   • Wote hupungua
   • Upendeleo huongezeka na tofauti hupungua
4. Kuongeza urekebishaji wa L2 (ridge) kwa mfano kwa ujumla:
   • Hupunguza upendeleo kwa gharama ya tofauti zaidi
   • Huondoa hitilafu isiyoweza kurekebishwa
   • Hupunguza tofauti kwa gharama ya upendeleo zaidi kidogo
   • Haina athari kwa upendeleo au tofauti
5. Hitilafu isiyoweza kurekebishwa katika mtengano wa tofauti-tofauti inawakilisha:
   • Hitilafu iliyosababishwa na kuchagua algorithm isiyo sahihi
   • Hitilafu kutoka kwa kelele ya asili katika data ambayo hakuna mfano unaoweza kuondoa
   • Hitilafu ambayo inatoweka na data zaidi ya mafunzo
   • Hitilafu iliyosababishwa tu na tofauti kubwa
6. Jambo la 'kushuka mara mbili' linalozingatiwa katika kujifunza kwa kina linapendekeza kwamba:
   • Hitilafu ya jaribio inaweza kupungua tena kadiri miundo inavyokua zaidi ya hatua ya kujumuisha data ya mafunzo
   • Hitilafu ya jaribio daima hufuata umbo rahisi wa U
   • Tofauti haijalishi kwa mitandao ya neva
   • Upendeleo daima ni sifuri katika mifano ya kina
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