Kvíz spojený s průvodcem · Střední úroveň

Regulační kvíz

Zkontrolujte regulační cíle, tresty L1 a L2, výpadek, předčasné zastavení, sílu trestu a číselné příklady regulovaného cíle.

Související vodicí cestyRegularizace
Otázka 1 z 8

Why would a practitioner add regularization when a model fits training-specific noise?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. Která technika regularizace s největší pravděpodobností vytlačí některé váhy přesně na nulu a efektivně vybere prvky?
    • L2 regularizace (úbytek hmotnosti)
    • regularizace L1
    • Dávková normalizace
    • Zvýšení rychlosti učení
  3. Jak výpadek reguluje neuronovou síť během tréninku?
    • Trvale odstraní vrstvy ze sítě
    • Přidá druhou mocninu váhy k funkci ztráty
    • Každý krok náhodně vypíná neurony, aby se nemohly společně adaptovat
    • Trénink se zastaví, když ztráta ověření stoupne
  4. Co dělá zvýšení lambdy v regulované ztrátě „chyba + lambda × penalizace“?
    • Posiluje trest a tlačí model směrem k jednodušším řešením
    • Oslabuje trest a umožňuje větší váhy
    • Úplně odstraní chybový výraz
    • Nemá žádný vliv na váhu
  5. Proč lze předčasné zastavení považovat za formu regularizace?
    • Protože to přidává ke ztrátě hmotnostní penalizaci
    • Protože zastaví trénování dříve, než model začne do dat vkládat šum
    • Protože postupem času zvyšuje kapacitu modelu
    • Protože náhodně odstraňuje neurony
  6. 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
  7. 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
  8. A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
    • Osm
    • tři
    • Pět
    • Jeden