Mit dem Guide verknüpftes Quiz · Mittel Ebene

Regularisierungsquiz

Überprüfen Sie Regularisierungsziele, L1- und L2-Strafen, Aussetzer, vorzeitiges Anhalten, Strafstärke und numerische Beispiele eines regulierten Ziels.

Verwandte FührungspfadeRegularisierung
Frage 1 von 8

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

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  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. Welche Regularisierungstechnik führt am wahrscheinlichsten dazu, dass einige Gewichte genau auf Null gesetzt werden, wodurch Features effektiv ausgewählt werden?
    • L2-Regularisierung (Gewichtsabfall)
    • L1-Regularisierung
    • Batch-Normalisierung
    • Erhöhung der Lernrate
  3. Wie reguliert Dropout ein neuronales Netzwerk während des Trainings?
    • Es löscht Layer dauerhaft aus dem Netzwerk
    • Es fügt der Verlustfunktion die quadrierten Gewichte hinzu
    • Bei jedem Schritt werden Neuronen nach dem Zufallsprinzip ausgeschaltet, sodass sie sich nicht gemeinsam anpassen können
    • Das Training wird gestoppt, wenn der Validierungsverlust zunimmt
  4. Was bewirkt die Erhöhung von Lambda im regulierten Verlust „Fehler + Lambda × Strafe“?
    • Verstärkt die Strafe und drängt das Modell zu einfacheren Lösungen
    • Schwächt die Strafe ab und ermöglicht größere Gewichte
    • Entfernt den Fehlerbegriff vollständig
    • Hat keinen Einfluss auf die Gewichte
  5. Warum kann ein vorzeitiges Anhalten als eine Form der Regularisierung angesehen werden?
    • Weil es zum Verlust einen Gewichtsnachteil hinzufügt
    • Weil das Training angehalten wird, bevor das Modell beginnt, Rauschen in die Daten einzupassen
    • Weil es mit der Zeit die Modellkapazität erhöht
    • Weil es zufällig Neuronen entfernt
  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?
    • Acht
    • Drei
    • Fünf
    • Eins