Shrinkage1

schoice

Published

May 17, 2023

Aufgabe

Shrinkage (Penalisierung) ist eine Erweiterung der klassischen Linearen Modelle. Welche Aussage dazu ist richtig?

Answerlist

Die Modellkoeffizienten von penalisierten linearen Modelle können wie normale lineare Modelle interpretiert werden.
Die L2-Norm der Penalisierung kann zur Auswahl von Prädiktoren herangezogen werden.
Die L1-Norm der Penalisierung wird auch als Ridge-Regression bezeichnet.
Die Ridge-Regression ist ein Algorithmus, der eine Größe minimiert, in der ein Strafterm zum üblichen Least-Square-Termin hinzuaddiert wird, wobei dieser Strafterm die (mit \(\lambda\)) gewichtete Summe der Absolutwerte der \(\beta\)-Koeffizienten beschreibt.
Die Lasso-Regression liefert im Vergleich zur Ridge-Regression tendenziell bessere Ergebnisse, wenn das Kriterium eine Funktion von vielen Prädiktoren ist, deren Koeffizienten jeweils etwa gleich stark sind.

Lösung

Answerlist

Wahr
Falsch
Falsch
Falsch
Falsch

Categories:

schoice

---
exname: shrinkage1
extype: schoice
exsolution: 10000
exshuffle: no
expoints: 4
date: '2023-05-17'
slug: Shrinkage1
title: Shrinkage1
categories: schoice

---




```{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

*Shrinkage* (Penalisierung) ist eine Erweiterung der klassischen Linearen Modelle. Welche Aussage dazu ist richtig?


Answerlist
----------
* Die Modellkoeffizienten von penalisierten linearen Modelle können wie normale lineare Modelle interpretiert werden.
* Die L2-Norm der Penalisierung kann zur Auswahl von Prädiktoren herangezogen werden.
* Die L1-Norm der Penalisierung wird auch als *Ridge-Regression* bezeichnet.
* Die Ridge-Regression ist ein Algorithmus, der eine Größe minimiert, in der ein Strafterm zum üblichen Least-Square-Termin hinzuaddiert wird, wobei dieser Strafterm die (mit $\lambda$) gewichtete Summe der Absolutwerte der $\beta$-Koeffizienten beschreibt.
* Die Lasso-Regression liefert im Vergleich zur Ridge-Regression tendenziell bessere Ergebnisse, wenn das Kriterium eine Funktion von vielen Prädiktoren ist, deren Koeffizienten jeweils etwa gleich stark sind.



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

# Lösung


Answerlist
----------


* Wahr
* Falsch
* Falsch
* Falsch
* Falsch





---

Categories: 

schoice