Bias-Variance Tradeoff کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ایک ماڈل جو ڈیٹا میں بنیادی پیٹرن کو حاصل کرنے کے لیے بہت آسان ہے بنیادی طور پر اس کا شکار ہے:
   • اعلی تغیر
   • اعلی تعصب
   • کم ناقابل تلافی غلطی
   • اوور فٹنگ
2. کون سا منظر نامہ اعلی تغیر (اوور فٹنگ) کی کلاسک علامت ہے؟
   • تربیت اور امتحان کی غلطی دونوں اعلیٰ اور ایک جیسی ہیں۔
   • ماڈل زیادہ تر خصوصیات کو نظر انداز کرتا ہے۔
   • مزید ریگولرائزیشن شامل کرنے سے ٹیسٹ کی غلطی کی طرف تربیت کی غلطی بڑھ جاتی ہے۔
   • تربیتی غلطی بہت کم ہے لیکن ٹیسٹ کی غلطی بہت زیادہ ہے۔
3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
   • تعصب کم ہوتا ہے اور فرق بڑھتا ہے۔
   • دونوں میں اضافہ ہوتا ہے۔
   • دونوں میں کمی
   • تعصب بڑھتا ہے اور فرق کم ہوتا ہے۔
4. عام طور پر ماڈل میں L2 (رج) ریگولرائزیشن شامل کرنا:
   • زیادہ تغیر کی قیمت پر تعصب کو کم کرتا ہے۔
   • ناقابل تلافی غلطی کو ختم کرتا ہے۔
   • قدرے زیادہ تعصب کی قیمت پر تغیر کو کم کرتا ہے۔
   • تعصب یا تغیر پر کوئی اثر نہیں پڑتا ہے۔
5. تعصب کے تغیر کے سڑن میں ناقابل تلافی غلطی اس کی نمائندگی کرتی ہے:
   • غلط الگورتھم کو منتخب کرنے کی وجہ سے خرابی۔
   • ڈیٹا میں موروثی شور سے خرابی جسے کوئی ماڈل دور نہیں کر سکتا
   • خرابی جو مزید تربیتی ڈیٹا کے ساتھ غائب ہو جاتی ہے۔
   • خرابی صرف اعلی تغیر کی وجہ سے ہوئی ہے۔
6. 'ڈبل ڈیسنٹ' کا رجحان گہری تعلیم میں مشاہدہ کرتا ہے کہ:
   • ٹیسٹ کی خرابی دوبارہ کم ہو سکتی ہے کیونکہ ماڈلز ٹریننگ ڈیٹا کو انٹرپول کرنے کے نقطہ سے بہت آگے بڑھ جاتے ہیں۔
   • ٹیسٹ کی خرابی ہمیشہ ایک سادہ U-شکل کی پیروی کرتی ہے۔
   • عصبی نیٹ ورکس کے لیے تغیر کبھی اہمیت نہیں رکھتا
   • گہرے ماڈلز میں تعصب ہمیشہ صفر ہوتا ہے۔
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