Тест, свързан с ръководство · Среден Ниво
Тест за регулиране
Проверете целите за регулиране, наказания L1 и L2, отпадане, ранно спиране, сила на наказанието и числени примери за регулирана цел.
Въпрос 1 на 8
Why would a practitioner add regularization when a model fits training-specific noise?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Why would a practitioner add regularization when a model fits training-specific noise?
- To guarantee zero training error
- To remove the need for validation data
- To guarantee a faster GPU kernel
- To discourage overfitting and evaluate whether unseen-data performance improves
- Коя техника за регулиране е най-вероятно да доведе някои тегла точно до нула, ефективно избирайки функции?
- Регулиране на L2 (намаляване на теглото)
- L1 регулация
- Пакетно нормализиране
- Увеличаване на скоростта на обучение
- Как отпадането регулира невронна мрежа по време на обучение?
- Той изтрива слоевете за постоянно от мрежата
- Той добавя теглата на квадрат към функцията за загуба
- Той произволно изключва невроните на всяка стъпка, така че те да не могат да се адаптират съвместно
- Той спира обучението, когато загубите при валидиране се повишат
- В регуляризираната загуба „грешка + ламбда × наказание“, какво прави увеличаването на ламбда?
- Засилва наказанието, тласкайки модела към по-прости решения
- Отслабва наказанието и позволява по-големи тежести
- Премахва изцяло термина за грешка
- Няма ефект върху килограмите
- Защо ранното спиране може да се счита за форма на регулиране?
- Защото добавя наказание за тегло към загубата
- Тъй като спира обучението, преди моделът да започне да монтира шум в данните
- Тъй като увеличава капацитета на модела с течение на времето
- Защото произволно премахва неврони
- What can happen when regularization is strengthened beyond what a task needs?
- Both training and test accuracy must improve
- The penalty becomes unrelated to the objective
- Validation becomes unnecessary
- The model can underfit useful structure even if variance decreases
- For a regularization example with weights minus two and one, what are the unscaled L1 and sum-of-squares L2 penalties?
- L1 is three and L2 is five
- L1 is minus one and L2 is three
- L1 is five and L2 is three
- Both penalties are minus two
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- Осем
- три
- Пет
- един