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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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