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.
Otázka 1 z 8
Co odlišuje hyperparametr od běžného parametru modelu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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