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.

Související vodicí cestyKřivky učení a ověřovací křivky
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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