引導式測驗 · 中等 等級

Huber 損失和穩健回歸測驗

使用最小平方法和一致性方法比較 Huber 的兩個損失區域,並練習將穩健估計器與資料條件相符。

相關引導路徑Huber 損失和穩健回歸
問題 1 的 8

Huber 損失如何處理遠超其閾值的殘差?

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. Huber 損失如何處理遠超其閾值的殘差?
    • 其罰則會隨剩餘幅度線性增加。
    • 它的懲罰恰好為零
    • 它以更快的速度平方殘差
    • 它會自動移除觀測值
  2. Huber 損失對小殘差使用什麼行為?
    • 一個常數懲罰
    • 一個二次懲罰
    • 一個二元離群標籤
    • 對目標函數沒有貢獻
  3. 在所描述的方法中,RANSAC 與 Huber 迴歸有何不同?
    • 它只估計類別機率
    • 它為每個點分配相同的平方懲罰
    • 它從多次擬合子集尋找共識集
    • 它消除了選擇任何閾值的需求
  4. 大殘差是一個有效且重要的罕見事件。分析師在使用 Huber 損失之前應該考慮什麼?
    • 僅僅稀有度是否足以將事件視為測量誤差
    • Huber 損失會自動將觀測重新標記為內點嗎
    • 是否應在評估前移除所有稀有觀測
    • 對該事件降權是否與決策目標衝突
  5. 為什麼即使記錄沒有錯誤,仍可能出現極端殘差?
    • 每個大的殘差都是資料輸入錯誤
    • 它可能是有效的稀有事件或反映模型規格錯誤
    • Huber 損失會產生所有大的殘差
    • 線性預測器不會有殘差
  6. 何時應選擇魯棒門檻?
    • 在最終測試誤差上反覆調整,因為它最能代表部署情況
    • 選擇最小化訓練損失的門檻,然後報告相同的訓練分數
    • 使用訓練或驗證資料選取,同時保留最終測試集
    • 使用函式庫預設值而不檢查其是否適合殘差尺度
  7. 哪項特徵即使在降低對大回應殘差的敏感度後,仍可能成為穩健迴歸的顧慮?
    • 僅僅是平均回應殘差是否為零
    • 僅僅是殘差直方圖是否具有對稱中心
    • 僅僅是回應變數是否已標準化
    • 異常的預測變數杠桿是否仍可能影響擬合
  8. 當極端錯誤在實務上具有重要影響時,為何仍要報告尾部表現?
    • 穩健目標可能會淡化那些主導實務尾部風險的案例
    • Huber 損失對每個極端觀測值賦予恰好零的影響力
    • 僅靠訓練損失無法衡量對未見極端結果的準確度
    • 平均殘差可辨識每筆尾部錯誤的大小