গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
নিয়মিতকরণ কুইজ
নিয়মিতকরণ লক্ষ্য, L1 এবং L2 পেনাল্টি, ড্রপআউট, তাড়াতাড়ি স্টপিং, পেনাল্টি শক্তি এবং একটি নিয়মিত উদ্দেশ্যের সংখ্যাসূচক উদাহরণ পরীক্ষা করুন।
প্রশ্ন 1 এর 8
Why would a practitioner add regularization when a model fits training-specific noise?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- 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
- কোন নিয়মিতকরণ কৌশলটি কিছু ওজনকে ঠিক শূন্যে নিয়ে যাওয়ার সম্ভাবনা সবচেয়ে বেশি, কার্যকরীভাবে বৈশিষ্ট্যগুলি নির্বাচন করে?
- L2 নিয়মিতকরণ (ওজন ক্ষয়)
- L1 নিয়মিতকরণ
- ব্যাচ স্বাভাবিককরণ
- শেখার হার বৃদ্ধি
- প্রশিক্ষণের সময় ড্রপআউট কীভাবে একটি নিউরাল নেটওয়ার্ককে নিয়মিত করে?
- এটি নেটওয়ার্ক থেকে স্থায়ীভাবে স্তর মুছে দেয়
- এটি ক্ষতি ফাংশনে বর্গ ওজন যোগ করে
- এটি এলোমেলোভাবে প্রতিটি ধাপে নিউরনগুলিকে বন্ধ করে দেয় যাতে তারা সহ-অভিযোজিত হতে পারে না
- বৈধতা ক্ষতি বেড়ে গেলে এটি প্রশিক্ষণ বন্ধ করে দেয়
- নিয়মিত ক্ষতির ক্ষেত্রে 'ত্রুটি + ল্যাম্বদা × জরিমানা', ক্রমবর্ধমান ল্যাম্বডা কী করে?
- শাস্তিকে শক্তিশালী করে, মডেলটিকে সহজ সমাধানের দিকে ঠেলে দেয়
- পেনাল্টি দুর্বল করে এবং বড় ওজনের অনুমতি দেয়
- ত্রুটি শব্দটি সম্পূর্ণরূপে সরিয়ে দেয়
- ওজনের উপর কোন প্রভাব নেই
- কেন তাড়াতাড়ি থামানো নিয়মিতকরণের একটি ফর্ম হিসাবে বিবেচিত হতে পারে?
- কারণ এটি ক্ষতির জন্য একটি ওজন জরিমানা যোগ করে
- কারণ মডেলটি ডেটাতে শব্দ ফিটিং শুরু করার আগে এটি প্রশিক্ষণ বন্ধ করে দেয়
- কারণ এটি সময়ের সাথে সাথে মডেলের ক্ষমতা বাড়ায়
- কারণ এটি এলোমেলোভাবে নিউরন অপসারণ করে
- 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?
- আট
- তিন
- পাঁচ
- এক