Тест за настройка на хиперпараметър

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво отличава хиперпараметъра от обикновения параметър на модела?
   • Хиперпараметрите се задават преди обучението и не се научават директно от данните
   • Хиперпараметрите се научават автоматично чрез градиентно спускане по време на обучение
   • Хиперпараметри съществуват само в линейни модели
   • Няма истинска разлика между тях
2. Кой обикновено се счита за най-въздействащия хиперпараметър за настройка на задълбочено обучение?
   • Случайното семе
   • Скоростта на учене
   • Файловият формат на набора от данни
   • Името на променливата на оптимизатора
3. Защо произволното търсене често превъзхожда търсенето в мрежата за настройка на хиперпараметър?
   • Винаги опитва повече тотални комбинации
   • Не изисква набор за валидиране
   • Той взема проби от пространството по-ефективно, намирайки добри стойности, без да покрива изчерпателно всяка точка от мрежата
   • Той научава теглата и хиперпараметрите едновременно
4. Как байесовата оптимизация избира коя конфигурация на хиперпараметър да опита следващата?
   • Той избира конфигурации напълно произволно всеки път
   • Винаги избира конфигурацията с най-много слоеве
   • Той копира точно настройките на предишния пробен период
   • Той изгражда модел на това кои настройки изглеждат обещаващи и балансира изследването на несигурността с използването на добри резултати
5. Защо крайният набор от тестове трябва да остане недокоснат по време на настройката на хиперпараметъра?
   • Тъй като настройката срещу него би изтекла информация и би дала свръхоптимистична оценка на реалното представяне
   • Тъй като тестовият набор се използва за изчисляване на теглата
   • Тъй като тестовият набор винаги е по-малък от този за валидиране
   • Тъй като хиперпараметрите се съхраняват в тестовия набор
6. Какъв проблем решава схема за ранно спиране като Hyperband при настройка на хиперпараметър?
   • Премахва необходимостта от скорост на обучение
   • Той спестява изчисления, като унищожава по-слабо представящите се изпитания рано и предоставя ресурси на обещаващи
   • Гарантира, че моделът няма да прекалява
   • Той преобразува хиперпараметрите в параметри, които могат да се научат
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic