引導式測驗 · 中等 等級

偏差-方差權衡測驗

應用偏差、變異數、正則化、裝袋和平方誤差分解,同時認識到經典複雜度曲線的限制。

相關引導路徑偏差方差權衡
問題 1 的 8

模型過於簡單而無法捕捉資料中的底層模式,主要會遇到以下問題:

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 模型過於簡單而無法捕捉資料中的底層模式,主要會遇到以下問題:
    • 高方差
    • 高偏差
    • 不可約誤差低
    • 過擬合
  2. 哪一種情況是高方差(過度擬合)的典型標誌?
    • 訓練和測試誤差都很高且相似
    • 該模型忽略了大多數特徵
    • 增加更多正則化會增加訓練誤差對測試誤差的影響
    • 訓練誤差非常低,但測試誤差高很多
  3. In the classic bias-variance picture described in the guide, which tradeoff can accompany increased model flexibility?
    • 偏差減少,方差增加
    • 兩者均增加
    • 兩者均減少
    • 偏差增加,方差減少
  4. 通常將 L2(嶺)正則化添加到模型中:
    • 以更多方差為代價減少偏差
    • 消除不可約誤差
    • 以稍微增加偏差為代價減少方差
    • 對偏差或方差沒有影響
  5. 偏差-變異數分解中的不可約誤差表示:
    • 選擇錯誤的演算法導致的錯誤
    • 資料中固有雜訊造成的錯誤,任何模型都無法消除
    • 隨著更多訓練資料的出現,錯誤消失
    • 僅由高方差引起的誤差
  6. 深度學習中觀察到的「雙重下降」現象顯示:
    • 隨著模型的成長遠遠超過訓練資料的插值點,測試誤差可能會再次減少
    • 測試誤差總是遵循簡單的 U 型
    • 方差對神經網路來說從來不重要
    • 深度模型中的偏差始終為零
  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