Rehber bağlantılı sınav · Orta Seviye

Önyargı-Varyans Dengesi Sınavı

Klasik karmaşıklık eğrisinin sınırlarını tanırken önyargı, varyans, düzenlileştirme, torbalama ve kare hata ayrıştırmasını uygulayın.

İlgili kılavuz yollarıÖnyargı Varyansı Değişimi
Soru 1 arasında 8

Verilerdeki temel modeli yakalayamayacak kadar basit olan bir model öncelikle aşağıdakilerden zarar görür:

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Verilerdeki temel modeli yakalayamayacak kadar basit olan bir model öncelikle aşağıdakilerden zarar görür:
    • Yüksek varyans
    • Yüksek önyargı
    • Düşük indirgenemez hata
    • Aşırı uyum
  2. Hangi senaryo yüksek varyansın (fazla uyum) klasik işaretidir?
    • Eğitim ve test hatası hem yüksek hem de benzer
    • Model çoğu özelliği göz ardı ediyor
    • Daha fazla düzenleme eklemek, eğitim hatasını test hatasına doğru artırır
    • Eğitim hatası çok düşük ancak test hatası çok daha yüksek
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Önyargı azalır ve varyans artar
    • İkisi de artar
    • İkisi de azalır
    • Önyargı artar ve varyans azalır
  4. Genel olarak bir modele L2 (sırt) düzenlemesinin eklenmesi:
    • Daha fazla farklılık pahasına önyargıyı azaltır
    • İndirgenemez hatayı ortadan kaldırır
    • Biraz daha fazla önyargı pahasına varyansı azaltır
    • Önyargı veya varyans üzerinde hiçbir etkisi yoktur
  5. Önyargı-varyans ayrıştırmasındaki indirgenemez hata şunları temsil eder:
    • Yanlış algoritmanın seçilmesinden kaynaklanan hata
    • Hiçbir modelin gideremeyeceği, verilerdeki doğal gürültüden kaynaklanan hata
    • Daha fazla eğitim verisiyle ortadan kaybolan hata
    • Yalnızca yüksek varyanstan kaynaklanan hata
  6. Derin öğrenmede gözlemlenen 'çift iniş' olgusu şunları göstermektedir:
    • Modeller eğitim verilerinin enterpolasyonu noktasını aştıkça test hatası tekrar azalabilir
    • Test hatası her zaman basit bir U şeklini takip eder
    • Sinir ağları için varyans hiçbir zaman önemli değildir
    • Derin modellerde önyargı her zaman sıfırdır
  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