Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra về sự đánh đổi độ lệch-phương sai

Áp dụng độ lệch, phương sai, chính quy hóa, đóng bao và phân rã lỗi bình phương trong khi nhận ra các giới hạn của đường cong phức tạp cổ điển.

Đường dẫn hướng dẫn liên quanSự đánh đổi phương sai thiên vị
Câu hỏi 1 của 8

Một mô hình quá đơn giản để nắm bắt được mẫu cơ bản trong dữ liệu chủ yếu gặp phải:

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Một mô hình quá đơn giản để nắm bắt được mẫu cơ bản trong dữ liệu chủ yếu gặp phải:
    • Phương sai cao
    • Độ lệch cao
    • Lỗi không thể khắc phục thấp
    • Trang bị quá mức
  2. Kịch bản nào là dấu hiệu điển hình của sự khác biệt lớn (trang bị quá mức)?
    • Lỗi huấn luyện và kiểm tra đều cao và tương tự nhau
    • Mô hình bỏ qua hầu hết các tính năng
    • Việc thêm nhiều chính quy hóa sẽ làm tăng lỗi đào tạo đối với lỗi kiểm tra
    • Lỗi huấn luyện rất thấp nhưng lỗi kiểm tra cao hơn nhiều
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • Độ lệch giảm và phương sai tăng
    • Cả hai đều tăng
    • Cả hai đều giảm
    • Độ lệch tăng và phương sai giảm
  4. Nói chung, việc thêm chính quy L2 (sườn) vào mô hình:
    • Giảm độ lệch với cái giá phải trả là có nhiều phương sai hơn
    • Loại bỏ lỗi không thể khắc phục
    • Giảm phương sai với cái giá phải trả là sai lệch nhiều hơn một chút
    • Không có tác dụng đối với độ lệch hoặc phương sai
  5. Lỗi không thể giảm được trong phân tách sai lệch phương sai biểu thị:
    • Lỗi do chọn sai thuật toán
    • Lỗi do nhiễu vốn có trong dữ liệu mà không mô hình nào có thể loại bỏ được
    • Lỗi biến mất khi có nhiều dữ liệu huấn luyện hơn
    • Lỗi chỉ do phương sai cao
  6. Hiện tượng 'giảm xuống kép' được quan sát thấy trong học sâu cho thấy rằng:
    • Lỗi kiểm tra có thể giảm trở lại khi các mô hình phát triển vượt xa điểm nội suy dữ liệu huấn luyện
    • Lỗi kiểm tra luôn theo hình chữ U đơn giản
    • Phương sai không bao giờ quan trọng đối với mạng lưới thần kinh
    • Độ lệch luôn bằng 0 trong các mô hình sâu
  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