引導式測驗 · 中等 等級
機器學習系統測驗中的回饋循環
追蹤模型行為如何影響觀察到的結果和未來的訓練數據,並確定選擇和暴露偏差的保障措施。
問題 1 的 8
推薦者如何創造回饋循環?
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。
- 推薦者如何創造回饋循環?
- 它的曝光選擇會影響後來成為訓練證據的點擊次數
- 它的預測永遠不會被存儲
- 其模型權重是固定的
- 其用戶無法回覆建議
- 為什麼被模型篩選出來的申請人可能會缺少招募結果?
- 他們的標籤總是負面的
- 他們沒有獲得產生結果的下游機會
- 該模型自動儲存每個結果
- 特徵模式刪除標籤
- 記錄顯示的項目有助於區分什麼?
- API 逾時導致 GPU 故障
- 來自模型參數的訓練數據
- 使用者偏好證據的曝光機會
- 來自特徵名稱的標籤
- 什麼時候逆傾向評估會不可靠?
- 當目標策略與日誌記錄策略相符時
- 當所有傾向都被正確記錄時
- 當隨機實驗有足夠的數據時
- 當新策略選擇不支援記錄資料的操作時
- 為什麼要按分數或組別監控標籤覆蓋率?
- 覆蓋率證明模型是公平的
- 由於模型路由案例的方式不同,觀察率可能會有所不同
- 分數永遠是結果
- 每個組別必須有相同的標籤
- 哪種資料收集策略可以揭示較少顯示的替代方案的結果?
- 消除日誌記錄的需要
- 保證每個建議都是相關的
- 收集有关确定性政策很少显示的替代方案的证据
- 讓所有用戶收到相同的物品
- 为什么更多的训练数据可能无法消除反馈循环偏差?
- 偏差總是隨機的
- 較大的資料集不能包含標籤
- 訓練從不使用使用者交互
- 新數據可能由相同的選擇性策略產生
- 回饋循環是一種什麼樣的系統屬性?
- 已部署的社会技术流程及其数据收集的属性
- 僅梯度計算
- 模型架構名稱
- 一種特徵縮放方法