Cuestionario vinculado a una guía · Medio Nivel

Prueba de optimización bayesiana para hiperparámetros

Comprenda los modelos sustitutos, las compensaciones de adquisición y la validación a prueba de fugas cuando la optimización bayesiana elige pruebas de modelos costosas.

Rutas de guía relacionadasOptimización bayesiana para hiperparámetros
Pregunta 1 de 8

¿Qué representa el modelo sustituto en la optimización bayesiana?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué representa el modelo sustituto en la optimización bayesiana?
    • A probabilistic approximation of performance across hyperparameter settings
    • The final trained model's input data
    • A fixed grid of every configuration
    • A causal diagram of feature effects
  2. ¿Qué ayuda a elegir una función de adquisición?
    • Which examples to delete from the test set
    • Which hyperparameter configuration to evaluate next
    • The final model's class labels
    • The number of training observations
  3. ¿Cómo equilibra la mejora esperada la exploración y la explotación?
    • It selects the most uncertain point regardless of performance
    • It evaluates only the setting with the best predicted mean
    • It considers expected gain over the current best, including uncertainty
    • It maximizes the training set size
  4. ¿Por qué reservar un conjunto de pruebas final durante la búsqueda de hiperparámetros?
    • The final test score sets the acquisition function
    • The test set improves surrogate smoothness automatically
    • Bayesian optimization cannot use validation data
    • Repeated tuning on test results leaks information into model selection
  5. ¿Qué puede hacer un espacio de búsqueda mal elegido?
    • Guarantee the optimum is found
    • Exclude strong configurations or waste trials on irrelevant regions
    • Remove evaluation noise
    • Make validation unnecessary
  6. Why repeat noisy optimization with different seeds?
    • It changes categorical settings into continuous ones
    • It makes all trials independent of validation scores
    • The trial path and training noise can change the selected setting
    • It guarantees the best possible score
  7. Which role can a Gaussian process surrogate provide?
    • A replacement for the held-out test set
    • Exact performance for every untried configuration
    • A rule that prevents overfitting by itself
    • Predictive mean and uncertainty for candidate settings
  8. What should a search report include for reproducibility?
    • Bounds, trial budget, validation design and optimization settings
    • Only the single best score
    • Every test score used during tuning
    • The alphabetical list of parameter names