引导式测验 · 中等 等级

偏差-方差权衡测验

应用偏差、方差、正则化、装袋和平方误差分解，同时认识到经典复杂性曲线的局限性。

相关引导路径偏差方差权衡
问题 1 的 8

模型过于简单而无法捕获数据中的底层模式，主要会遇到以下问题：

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 模型过于简单而无法捕获数据中的底层模式，主要会遇到以下问题：
    • 高方差
    • 高偏差
    • 不可约误差低
    • 过拟合
  2. 哪种情况是高方差（过度拟合）的典型标志？
    • 训练和测试误差都很高并且相似
    • 该模型忽略了大多数特征
    • 添加更多正则化会增加训练误差对测试误差的影响
    • 训练误差非常低，但测试误差要高得多
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • 偏差减少，方差增加
    • 两者均增加
    • 两者均减少
    • 偏差增加，方差减少
  4. 通常将 L2（岭）正则化添加到模型中：
    • 以更多方差为代价减少偏差
    • 消除不可约误差
    • 以稍微增加偏差为代价减少方差
    • 对偏差或方差没有影响
  5. 偏差-方差分解中的不可约误差表示：
    • 选择错误的算法导致的错误
    • 数据中固有噪声造成的错误，任何模型都无法消除
    • 随着更多训练数据的出现，错误消失
    • 仅由高方差引起的误差
  6. 深度学习中观察到的“双重下降”现象表明：
    • 随着模型的增长远远超过训练数据的插值点，测试误差可能会再次减少
    • 测试误差总是遵循简单的 U 形
    • 方差对于神经网络来说从来不重要
    • 深度模型中的偏差始终为零
  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