о23. ML. Тренировочный тест 1 "Линейная регрессия, градиентный спуск, переобучение"

JavaScript isn't enabled in your browser, so this file can't be opened. Enable and reload.

ФИО *

Что можно сделать при наличии в модели строго линейно зависимых признаков в линейной регрессии?
*

2 points

Стандартизировать признаки

Выбросить один признак из набора линейно зависимых

Добавить небольшое случайное искажение в признаки

Применить регуляризацию

Применить другую модель, линейная регрессия неприменима

Required

Выберите неверные утверждения про веса линейной регрессии *

2 points

Веса интерпретируемы всегда

Веса не интерпретируемы принципиально

Веса интерпретируемы по знаку, но не по абсолютному значению

Веса интерпретируемы по абсолютному значению, но не по знаку

При переобучении веса стремятся к нулю

Required

Выберите неверные утверждения про градиентный спуск. *

2 points

Градиентный спуск применим для любой модели и всегда сходится

Градиентный спуск применим только для линейных моделей

Полный градиентный спуск может быть неэффективен при большой выборке

Градиентный спуск всегда сходится (в пределе) при минимизации MSE в линейной регрессии

Градиентный спуск по батчам всегда сходится дольше спуска по всей выборке (в плане времени)

Градиентный спуск применяется только тогда, когда решение задачи оптимизации нельзя выписать явно

Required

Выберите верные утверждения про регуляризацию *

2 points

Добавление регуляризации всегда приводит к тому же решению, что и в исходной задаче

Ridge регуляризация позволяет отбирать признаки.

Регуляризация позволяет бороться с переобучением

Lasso-регуляризация представляет собой сумму модулей весов, добавленных к функционалу

Регуляризацию имеет смысл применять всегда, на всякий случай

Required

Выберите верные варианты про переобучение *

2 points

При переобучении ошибка на тренировочной выборке ниже чем на тестовой

При переобучении ошибка на тестовой выборке ниже чем на тренировочной

Добавление новых признаков (полиномы и т.д.) позволяет бороться с переобучением

С переобучением помогает бороться регуляризация

Переобучение возникает всегда

Required

Выберите верные утверждения про лоссы в линейных моделях. *

2 points

Если мы оптимизируем какой-то лосс, то определять качество модели на тестовой выборке мы тоже будем с помощью него

Метрика качества модели может отличаться от оптимизируемого лосса

MAE более устойчива к выбросам в данных

Оптимизация MSE и MAE приводит к одному и тому же решению, просто MAE более устойчива

Оптимизировать MAE намного проще, чем MSE

Required

Выберите верные ответы про градиентный спуск *

2 points

Шаг градиентного всегда строго фиксирован

Градиентный спуск может сойтись к локальному минимуму, а не к глобальному

Вектор-градиент всегда направлен в сторону наискорейшего убывания функции

Перед началом градиентного спуска лучше перемешать выборку

Инициализировать веса всегда необходимо нулями

Required

Выберите неверные ответы про линейную регрессию *

2 points

Линейная регрессия позволяет моделировать только линейные зависимости

С помощью создания дополнительных фичей можно генерировать нелинейные зависимости

Если категориальная фича представлена числами, то её можно не кодировать

Категориальные фичи можно кодировать бинарными векторами

Если фичей больше чем наблюдений, это не повлияет на обучение линейной регрессии

Required

Submit

Clear form

Never submit passwords through Google Forms.

This content is neither created nor endorsed by Google. Report Abuse - Terms of Service - Privacy Policy

Forms