Kvíz spojený s průvodcem · Střední úroveň

Kvíz ladění hyperparametrů

Kontroluje hyperparametry versus váhy, vyhledávání založené na validaci, náhodné a bayesovské metody, hyperpásmo a únik testovací sady.

Související vodicí cestyLadění hyperparametrů
Otázka 1 z 8

Co odlišuje hyperparametr od běžného parametru modelu?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co odlišuje hyperparametr od běžného parametru modelu?
    • Hyperparametry se nastavují před tréninkem a neučí se přímo z dat
    • Hyperparametry se učí automaticky klesáním gradientu během tréninku
    • Hyperparametry existují pouze v lineárních modelech
    • Není mezi nimi žádný skutečný rozdíl
  2. Který hyperparametr je běžně považován za jeden z nejpůsobivějších hyperparametrů pro vyladění hlubokého učení?
    • Náhodné semeno
    • Míra učení
    • Formát souboru datové sady
    • Název proměnné optimalizátoru
  3. Proč náhodné vyhledávání často překonává vyhledávání v mřížce při ladění hyperparametrů?
    • Vždy to zkouší více celkových kombinací
    • Nevyžaduje ověřovací sadu
    • Vzorkuje prostor efektivněji a nachází dobré hodnoty, aniž by vyčerpávajícím způsobem pokrýval každý bod mřížky
    • Učí se váhy a hyperparametry zároveň
  4. Jak Bayesovská optimalizace vybere, kterou konfiguraci hyperparametru vyzkoušet jako další?
    • Pokaždé vybírá konfigurace zcela náhodně
    • Vždy vybere konfiguraci s největším počtem vrstev
    • Přesně kopíruje nastavení předchozího pokusu
    • Vytváří model, jehož nastavení vypadají slibně, a vyvažuje zkoumání nejistoty s využitím dobrých výsledků
  5. Proč musí finální testovací sada zůstat během ladění hyperparametrů nedotčena?
    • Protože ladění proti němu by uniklo informace a poskytlo příliš optimistický odhad reálného výkonu
    • Protože testovací sada se používá k výpočtu vah
    • Protože testovací sada je vždy menší než ověřovací sada
    • Protože hyperparametry jsou uloženy v testovací sadě
  6. Jaký problém řeší schéma předčasného zastavení, jako je Hyperband, při ladění hyperparametrů?
    • Odstraňuje potřebu rychlosti učení
    • Šetří výpočet tím, že předčasně zabíjí nekvalitní pokusy a poskytuje zdroje slibným
    • Zaručuje, že model nebude přetažený
    • Převádí hyperparametry na naučitelné parametry
  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