Тест, свързан с ръководство · Среден Ниво
Тест за калибриране на вероятностите
Проверява дефинициите за калибриране, диаграмите за надеждност, ECE, температурното мащабиране и защо качеството на валидиране се различава от точността на класификацията.
Въпрос 1 на 8
Един модел е добре калибриран, ако сред прогнозите, които обозначава като 80% уверени, се случва събитието:
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Един модел е добре калибриран, ако сред прогнозите, които обозначава като 80% уверени, се случва събитието:
- Около 80% от времето
- 100% от времето
- Около 20% от времето
- Точно веднъж
- Какво прави температурното мащабиране на изходите на невронната мрежа?
- Променя кой клас е предвиден
- Разделя логическите стойности на научен скалар преди softmax, коригирайки увереността
- Добавя шум към етикетите за обучение
- Преобучава мрежата от нулата
- Какво изобразява диаграмата на надеждността?
- Загуба на обучение срещу епоха
- Размерът на модела спрямо точността
- Прогнозна вероятност спрямо наблюдавана честота
- Скорост на обучение спрямо размера на партидата
- Мерки за очаквана грешка при калибриране (ECE):
- Най-висока точност на модела
- Броят на параметрите в модела
- Дисперсията на градиентите
- Среднопретеглената разлика между увереността и точността между контейнерите
- Съвременните дълбоки невронни мрежи най-често се описват като:
- Прекалено самоуверен
- Недоверчив
- Перфектно калибриран по подразбиране
- Не могат да се изведат вероятности
- Защо един много точен модел все още може да се нуждае от калибриране?
- Точните модели винаги имат нулева грешка при калибриране
- Точността и калибрирането са различни свойства
- Калибрирането има значение само за регресията
- Точността гарантира честни вероятности
- На кои данни скалирането на температурата обикновено се вписва в работния процес за калибриране на ръководството?
- Крайният набор от тестове, използвайки точност на класификацията
- Само етикетите за обучение без изходни данни на модела
- Задържан набор за валидиране, използващ отрицателна логаритмична вероятност
- Скритите тегла на модела с помощта на средна квадратна грешка
- Защо скалирането на температурата може да подобри калибрирането, без да променя най-високата точност?
- Той променя произволно предсказаните етикети на класа на модела
- Той преобучава екстрактора на функции
- Той замества всеки logit със същата стойност
- Разделянето на логичните числа на положителен скалар променя увереността, но запазва техния ред