Регуляризация: увеличивая параметр регуляризации (уменьшая сложность модели) от 0 до большого, вы наблюдаете, как ошибка на трейне растёт, а ошибка на тесте сначала падает, потом растёт. Как это интерпретировать в терминах bias-variance?
MLmediummiddle
Проверяет основы машинного обучения и оценку моделей.
bias-varianceрегуляризацияпереобучение
Варианты ответа
Регуляризация влияет только на variance и не трогает bias, поэтому трейн-ошибка не должна меняться
U-образная тестовая ошибка означает утечку данных, а не bias-variance баланс
Рост регуляризации увеличивает bias и снижает variance; минимум тестовой ошибки — оптимальный баланс, левее него переобучение (variance), правее — недообучение (bias)
Рост регуляризации снижает и bias, и variance одновременно, поэтому тестовая ошибка должна падать монотонно, а рост в конце — артефакт
Как разобрать этот вопрос на собеседовании
Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.
На собеседовании по такому вопросу важно не только назвать ответ, но и кратко объяснить, почему он верный.
Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.
Разбор ответа
Подробный разбор с объяснением «почему правильный ответ верный» и почему остальные неверны — после регистрации.
3000+ вопросов с разбором, quiz-режим с проверкой, AI-собес и подготовка к интервью аналитика.