Basis van machine learning
Welke uitspraak is juist als de fout van een model wordt opgesplitst in bias en variantie?
- AEen model met een grote bias verandert zijn voorspellingen sterk afhankelijk van welke trainingsdata worden gekozen, en neigt tot overfitting
- BEen complexer model verkleint zowel de bias als de variantie, dus het is het best om een zo complex mogelijk model te gebruiken
- CEen complexer model verkleint doorgaans de bias maar vergroot de variantie, dus er wordt een complexiteit gekozen die beide in evenwicht brengt
Antwoord en toelichting tonen
Antwoord: C. Een complexer model verkleint doorgaans de bias maar vergroot de variantie, dus er wordt een complexiteit gekozen die beide in evenwicht brengt
Voor de kwadratische fout kan de verwachtingswaarde van de fout op nieuwe gegevens worden ontbonden in de som van drie termen: het kwadraat van de bias, de variantie en de ruis in de gegevens zelf. De bias is de fout die ontstaat doordat het model te eenvoudig is om het werkelijke verband te vatten; een grote bias leidt tot underfitting. De variantie is de fout die ontstaat doordat de voorspellingen afhankelijk van de gekozen trainingsdata schommelen; een grote variantie leidt tot overfitting. In het algemeen verlaagt een complexer model de bias en verhoogt het de variantie; een complexiteit die beide in evenwicht brengt, wordt daarom gekozen met validatiedata of kruisvalidatie.