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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- Osm
- tři
- Pět
- Jeden