গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
সম্ভাব্যতা ক্রমাঙ্কন কুইজ
ক্রমাঙ্কন সংজ্ঞা, নির্ভরযোগ্যতা ডায়াগ্রাম, ECE, তাপমাত্রা স্কেলিং এবং কেন বৈধতা গুণমান শ্রেণীবিন্যাস নির্ভুলতা থেকে আলাদা তা পরীক্ষা করে।
প্রশ্ন 1 এর 8
একটি মডেল ভালভাবে ক্যালিব্রেট করা হয়, যদি ভবিষ্যদ্বাণীগুলির মধ্যে এটি 80% আত্মবিশ্বাসী লেবেল করে, ঘটনাটি ঘটে:
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- একটি মডেল ভালভাবে ক্যালিব্রেট করা হয়, যদি ভবিষ্যদ্বাণীগুলির মধ্যে এটি 80% আত্মবিশ্বাসী লেবেল করে, ঘটনাটি ঘটে:
- প্রায় 80% সময়
- সময়ের 100%
- প্রায় 20% সময়
- ঠিক একবার
- তাপমাত্রা স্কেলিং একটি নিউরাল নেটওয়ার্কের আউটপুট কি করে?
- কোন শ্রেণির পূর্বাভাস দেওয়া হয়েছে তা পরিবর্তন করে
- আত্মবিশ্বাস সামঞ্জস্য করে, softmax এর আগে একটি শেখা স্কেলার দ্বারা লগিটগুলিকে ভাগ করে
- প্রশিক্ষণের লেবেলে শব্দ যোগ করে
- স্ক্র্যাচ থেকে নেটওয়ার্ককে পুনরায় প্রশিক্ষণ দেয়
- একটি নির্ভরযোগ্যতা ডায়াগ্রাম প্লট কি করে?
- প্রশিক্ষণের ক্ষতি বনাম যুগ
- মডেল আকার বনাম নির্ভুলতা
- পূর্বাভাসিত সম্ভাব্যতা বনাম পর্যবেক্ষণ ফ্রিকোয়েন্সি
- শেখার হার বনাম ব্যাচ আকার
- প্রত্যাশিত ক্রমাঙ্কন ত্রুটি (ECE) ব্যবস্থা:
- মডেলের শীর্ষ-1 নির্ভুলতা
- মডেলের প্যারামিটারের সংখ্যা
- গ্রেডিয়েন্টের ভিন্নতা
- বিন জুড়ে আত্মবিশ্বাস এবং নির্ভুলতার মধ্যে ওজনযুক্ত গড় ব্যবধান
- আধুনিক গভীর নিউরাল নেটওয়ার্কগুলিকে প্রায়শই বর্ণনা করা হয়:
- অতি আত্মবিশ্বাসী
- আত্মবিশ্বাসহীন
- ডিফল্টরূপে পুরোপুরি ক্রমাঙ্কিত
- সম্ভাব্যতা আউটপুট করতে অক্ষম
- কেন একটি অত্যন্ত সঠিক মডেল এখনও ক্রমাঙ্কন প্রয়োজন হতে পারে?
- সঠিক মডেলে সবসময় শূন্য ক্রমাঙ্কন ত্রুটি থাকে
- নির্ভুলতা এবং ক্রমাঙ্কন স্বতন্ত্র বৈশিষ্ট্য
- ক্রমাঙ্কন শুধুমাত্র রিগ্রেশন জন্য গুরুত্বপূর্ণ
- নির্ভুলতা সৎ সম্ভাবনার গ্যারান্টি দেয়
- On which data is temperature scaling typically fit in the guide’s calibration workflow?
- The final test set using classification accuracy
- Only the training labels without model outputs
- A held-out validation set using negative log-likelihood
- The model’s hidden weights using mean squared error
- Why can temperature scaling improve calibration without changing top-1 accuracy?
- It changes the model’s predicted class labels randomly
- It retrains the feature extractor
- It replaces every logit with the same value
- Dividing logits by a positive scalar changes confidence but preserves their ordering