แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการแลกเปลี่ยนอคติ-ความแปรปรวน

ใช้อคติ ความแปรปรวน การทำให้เป็นมาตรฐาน การบรรจุถุง และการแยกส่วนข้อผิดพลาดกำลังสอง ในขณะที่ตระหนักถึงขีดจำกัดของเส้นโค้งความซับซ้อนแบบคลาสสิก

เส้นทางแนะนำที่เกี่ยวข้องการแลกเปลี่ยนความแปรปรวนอคติ
คำถาม 1 ของ 8

โมเดลที่ง่ายเกินกว่าที่จะจับรูปแบบที่ซ่อนอยู่ในข้อมูลโดยหลักแล้วจะต้องทนทุกข์ทรมานจาก:

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. โมเดลที่ง่ายเกินกว่าที่จะจับรูปแบบที่ซ่อนอยู่ในข้อมูลโดยหลักแล้วจะต้องทนทุกข์ทรมานจาก:
    • ความแปรปรวนสูง
    • มีอคติสูง
    • ข้อผิดพลาดที่ลดไม่ได้ต่ำ
    • ฟิตเกิน
  2. สถานการณ์ใดที่เป็นสัญญาณคลาสสิกของความแปรปรวนสูง (การใส่มากเกินไป)
    • ข้อผิดพลาดในการฝึกอบรมและการทดสอบมีทั้งสูงและใกล้เคียงกัน
    • โมเดลจะละเว้นคุณสมบัติส่วนใหญ่
    • การเพิ่มการทำให้เป็นมาตรฐานมากขึ้นจะเพิ่มข้อผิดพลาดในการฝึกอบรมไปสู่ข้อผิดพลาดในการทดสอบ
    • ข้อผิดพลาดในการฝึกอบรมต่ำมาก แต่ข้อผิดพลาดในการทดสอบสูงกว่ามาก
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • อคติลดลงและความแปรปรวนเพิ่มขึ้น
    • เพิ่มขึ้นทั้งคู่
    • ลดลงทั้งคู่
    • อคติเพิ่มขึ้นและความแปรปรวนลดลง
  4. การเพิ่มการทำให้เป็นมาตรฐาน L2 (สันเขา) ให้กับโมเดลโดยทั่วไป:
    • ลดอคติด้วยต้นทุนของความแปรปรวนที่มากขึ้น
    • ขจัดข้อผิดพลาดที่ลดไม่ได้
    • ลดความแปรปรวนด้วยต้นทุนของอคติที่มากขึ้นเล็กน้อย
    • ไม่มีผลกระทบต่ออคติหรือความแปรปรวน
  5. ข้อผิดพลาดที่ลดไม่ได้ในการสลายตัวแบบอคติ-ความแปรปรวนหมายถึง:
    • ข้อผิดพลาดที่เกิดจากการเลือกอัลกอริทึมที่ไม่ถูกต้อง
    • ข้อผิดพลาดจากสัญญาณรบกวนโดยธรรมชาติในข้อมูลที่ไม่มีโมเดลใดสามารถลบออกได้
    • ข้อผิดพลาดที่หายไปพร้อมกับข้อมูลการฝึกเพิ่มเติม
    • ข้อผิดพลาดที่เกิดจากความแปรปรวนสูงเท่านั้น
  6. ปรากฏการณ์ 'การสืบเชื้อสายสองครั้ง' ที่พบในการเรียนรู้เชิงลึกแสดงให้เห็นว่า:
    • ข้อผิดพลาดในการทดสอบสามารถลดลงได้อีกครั้งเมื่อแบบจำลองขยายใหญ่เกินกว่าจุดแก้ไขข้อมูลการฝึก
    • ข้อผิดพลาดในการทดสอบจะเป็นไปตามรูปตัว U แบบธรรมดาเสมอ
    • ความแปรปรวนไม่สำคัญสำหรับโครงข่ายประสาทเทียม
    • อคติจะเป็นศูนย์เสมอในโมเดลเชิงลึก
  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