Flex-vs-nichtflex-Methode2

statlearning

2023

schoice

Published

May 17, 2023

Aufgabe

Algorithmen des statistischen Lernens lassen sich unterteilen hinsichtlich ihrer Flexibilität; es gibt mehr bzw. weniger flexible Algorithmen.

Welche der folgenden Aussagen ist in diesem Zusammenhang korrekt?

Answerlist

Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell schlechter ab als eine weniger flexible Methode aufgrund von höherem Overfitting.
Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell besser ab als eine weniger flexible Methode aufgrund von geringerem Overfitting.
Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell besser ab als eine weniger flexible Methode aufgrund von geringerer Verzerrung.
Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell schlechter ab als eine weniger flexible Methode aufgrund von höherer Verzerrung.
Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell schlechter ab als eine weniger flexible Methode aufgrund von höherer Verzerrung und von höherem Overfitting.

Lösung

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

statlearning
‘2023’
schoice

---
exname: Flex-vs-nichtflex-Methode2
extype: schoice
exsolution: 10000
exshuffle: yes
expoints: 1
categories:
- statlearning
- '2023'
- schoice
date: '2023-05-17'
slug: Flex-vs-nichtflex-Methode2
title: Flex-vs-nichtflex-Methode2

---




```{r libs, include = FALSE}
library(tidyverse)
library(testthat)
library(glue)
```


```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      echo = FALSE,
                      message = FALSE,
                      fig.show = "hold")
```






# Aufgabe

Algorithmen des statistischen Lernens lassen sich unterteilen hinsichtlich ihrer Flexibilität; es gibt mehr bzw. weniger flexible Algorithmen. 

Welche der folgenden Aussagen ist in diesem Zusammenhang korrekt?


Answerlist
----------
* Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell *schlechter* ab als eine weniger flexible Methode aufgrund von höherem Overfitting.
* Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell *besser* ab als eine weniger flexible Methode aufgrund von geringerem Overfitting.
* Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell *besser* ab als eine weniger flexible Methode aufgrund von geringerer Verzerrung.
* Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell *schlechter* ab als eine weniger flexible Methode aufgrund von höherer Verzerrung.
* Bei kleiner Stichprobe und großer Zahl an Prädiktoren schneidet eine flexible Methode tendenziell *schlechter* ab als eine weniger flexible Methode aufgrund von höherer Verzerrung und von höherem Overfitting.


</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung



Answerlist
----------


* Wahr
* Falsch
* Falsch
* Falsch
* Falsch





---

Categories: 

- statlearning
- '2023'
- schoice