แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการแลกเปลี่ยนอคติ-ความแปรปรวน
ใช้อคติ ความแปรปรวน การทำให้เป็นมาตรฐาน การบรรจุถุง และการแยกส่วนข้อผิดพลาดกำลังสอง ในขณะที่ตระหนักถึงขีดจำกัดของเส้นโค้งความซับซ้อนแบบคลาสสิก
คำถาม 1 ของ 8
โมเดลที่ง่ายเกินกว่าที่จะจับรูปแบบที่ซ่อนอยู่ในข้อมูลโดยหลักแล้วจะต้องทนทุกข์ทรมานจาก:
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- โมเดลที่ง่ายเกินกว่าที่จะจับรูปแบบที่ซ่อนอยู่ในข้อมูลโดยหลักแล้วจะต้องทนทุกข์ทรมานจาก:
- ความแปรปรวนสูง
- มีอคติสูง
- ข้อผิดพลาดที่ลดไม่ได้ต่ำ
- ฟิตเกิน
- สถานการณ์ใดที่เป็นสัญญาณคลาสสิกของความแปรปรวนสูง (การใส่มากเกินไป)
- ข้อผิดพลาดในการฝึกอบรมและการทดสอบมีทั้งสูงและใกล้เคียงกัน
- โมเดลจะละเว้นคุณสมบัติส่วนใหญ่
- การเพิ่มการทำให้เป็นมาตรฐานมากขึ้นจะเพิ่มข้อผิดพลาดในการฝึกอบรมไปสู่ข้อผิดพลาดในการทดสอบ
- ข้อผิดพลาดในการฝึกอบรมต่ำมาก แต่ข้อผิดพลาดในการทดสอบสูงกว่ามาก
- In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
- อคติลดลงและความแปรปรวนเพิ่มขึ้น
- เพิ่มขึ้นทั้งคู่
- ลดลงทั้งคู่
- อคติเพิ่มขึ้นและความแปรปรวนลดลง
- การเพิ่มการทำให้เป็นมาตรฐาน L2 (สันเขา) ให้กับโมเดลโดยทั่วไป:
- ลดอคติด้วยต้นทุนของความแปรปรวนที่มากขึ้น
- ขจัดข้อผิดพลาดที่ลดไม่ได้
- ลดความแปรปรวนด้วยต้นทุนของอคติที่มากขึ้นเล็กน้อย
- ไม่มีผลกระทบต่ออคติหรือความแปรปรวน
- ข้อผิดพลาดที่ลดไม่ได้ในการสลายตัวแบบอคติ-ความแปรปรวนหมายถึง:
- ข้อผิดพลาดที่เกิดจากการเลือกอัลกอริทึมที่ไม่ถูกต้อง
- ข้อผิดพลาดจากสัญญาณรบกวนโดยธรรมชาติในข้อมูลที่ไม่มีโมเดลใดสามารถลบออกได้
- ข้อผิดพลาดที่หายไปพร้อมกับข้อมูลการฝึกเพิ่มเติม
- ข้อผิดพลาดที่เกิดจากความแปรปรวนสูงเท่านั้น
- ปรากฏการณ์ 'การสืบเชื้อสายสองครั้ง' ที่พบในการเรียนรู้เชิงลึกแสดงให้เห็นว่า:
- ข้อผิดพลาดในการทดสอบสามารถลดลงได้อีกครั้งเมื่อแบบจำลองขยายใหญ่เกินกว่าจุดแก้ไขข้อมูลการฝึก
- ข้อผิดพลาดในการทดสอบจะเป็นไปตามรูปตัว U แบบธรรมดาเสมอ
- ความแปรปรวนไม่สำคัญสำหรับโครงข่ายประสาทเทียม
- อคติจะเป็นศูนย์เสมอในโมเดลเชิงลึก
- 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
- 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