Тест компромісу зміщення та дисперсії

Відповіді та пояснення з’являються під час виконання тесту.

1. Модель, яка є занадто простою для охоплення основного шаблону в даних, головним чином страждає від:
   • Висока дисперсія
   • Високе упередження
   • Низька незнижувана похибка
   • Переобладнання
2. Який сценарій є класичною ознакою високої дисперсії (переобладнання)?
   • Похибка навчання та тестування висока і однакова
   • Модель ігнорує більшість функцій
   • Додавання більшої регулярізації збільшує помилку навчання до помилки тесту
   • Похибка навчання дуже низька, але похибка тесту набагато вища
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • Зміщення зменшується, а дисперсія збільшується
   • Обидва збільшуються
   • Обидва зменшуються
   • Зміщення збільшується, а дисперсія зменшується
4. Додавання регулярізації L2 (гребеня) до моделі загалом:
   • Зменшує упередженість ціною більшої дисперсії
   • Усуває незнижувану помилку
   • Зменшує дисперсію ціною трохи більшого упередження
   • Не впливає ні на зміщення, ні на дисперсію
5. Незменшувана помилка в розкладі дисперсії зміщення представляє:
   • Помилка, викликана вибором неправильного алгоритму
   • Помилка через внутрішній шум у даних, який не може видалити жодна модель
   • Помилка, яка зникає, коли з’являється більше даних про навчання
   • Помилка, спричинена лише високою дисперсією
6. Феномен «подвійного спуску», який спостерігається при глибокому навчанні, свідчить про те, що:
   • Помилка тесту може знову зменшитися, коли моделі розростаються далеко за межі інтерполяції навчальних даних
   • Помилка тесту завжди слідує за простою U-подібною формою
   • Дисперсія ніколи не має значення для нейронних мереж
   • Зміщення завжди дорівнює нулю в глибоких моделях
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