Kvíz spojený s průvodcem · Střední úroveň
Kvíz o křivkách učení a ověřovacích křivkách
Interpretujte křivky učení a ověřování za účelem diagnostiky datových potřeb, nedostatečného přizpůsobení, přesazení a výběru hyperparametrů pomocí rozdělení zvuku.
Otázka 1 z 8
V běžné křivce učení podle velikosti dat se skóre validace vykresluje proti čemu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- V běžné křivce učení podle velikosti dat se skóre validace vykresluje proti čemu?
- Počet trénovacích příkladů použitých pro každé přizpůsobení
- Počet epoch optimalizace s pevnou trénovací vzorkou
- Hodnoty jednoho nastavení regularizace
- Práh rozhodnutí aplikovaný na jeden přizpůsobený model
- Skóre tréninku a validace jsou obě nízká a blízká. Která diagnostika odpovídá?
- Model musí být dobře kalibrován
- Model může být podtrénovaný
- Model musí být přetrénovaný, protože mezera je malá
- Více tréninkových příkladů zaručeně vyřeší problém
- Výkon na tréninku je silný, zatímco výkon na validaci je mnohem slabší. Co naznačuje tato mezera?
- Rozdělení dat se musí dokonale shodovat
- Model musí být příliš jednoduchý na to, aby se přizpůsobil tréninkovým příkladům
- Další tréninkové epochy vždy odstraní mezeru
- Riziko přetrénování
- Čím se validační křivka liší?
- Konečné testovací štítky použité pro hodnocení
- Počet příkladů při zachování všech nastavení modelu
- Hyperparametr, například síla regularizace
- Názvy tříd bez změny nastavení modelu
- Proč ponechat testovací sadu oddělenou od opakovaného ladění?
- Testovací štítky jsou potřeba pro každou volbu ladění
- Opakované volby se mohou přizpůsobit validační sadě
- Zadržovaná testovací sada automaticky opravuje únik tréninku
- Validační a testovací sady plní stejné role při výběru
- Validační skóre se stále zlepšuje na největším tréninkovém podmnožině. Jaký je opatrný závěr?
- Více podobných reprezentativních dat může pomoci, bez záruky
- Rozložené testovací skóre musí zlepšit o stejnou hodnotu
- Zbytek zlepšení musí pocházet výhradně z více epoch
- Trend stanovuje kalibrované pravděpodobnosti
- Které rozdělení hodnocení je vhodné pro model určený k předpovědi budoucích hodnot časových řad?
- Náhodně zamíchané časové značky napříč oběma oddíly
- Řádky seřazeny až po náhodném rozdělení
- A chronology-respecting split
- Pozdější příklady použité k retrospektivnímu hodnocení dřívějších předpovědí
- Proč opakovat body křivky nebo ukazovat nejistotu u malého souboru dat?
- Aby se zajistilo, že každý kandidát má stejné tréninkové skóre
- Aby se odstranila potřeba konečné testovací sady
- Přeměnit rozdíly ve skórech na kauzální efekty
- Odhalit variabilitu vyplývající z rozdělení dat