Prueba de ajuste de hiperparámetros

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

1. ¿Qué distingue un hiperparámetro de un parámetro de modelo regular?
   • Los hiperparámetros se establecen antes del entrenamiento y no se aprenden directamente de los datos.
   • Los hiperparámetros se aprenden automáticamente mediante el descenso de gradiente durante el entrenamiento
   • Los hiperparámetros solo existen en modelos lineales.
   • No hay una diferencia real entre ellos.
2. ¿Cuál se considera comúnmente el hiperparámetro más impactante para sintonizar el aprendizaje profundo?
   • La semilla aleatoria
   • La tasa de aprendizaje
   • El formato de archivo del conjunto de datos.
   • El nombre de la variable optimizadora.
3. ¿Por qué la búsqueda aleatoria a menudo supera a la búsqueda en cuadrícula para el ajuste de hiperparámetros?
   • Siempre intenta más combinaciones totales.
   • No requiere un conjunto de validación.
   • Muestra el espacio de manera más eficiente, encontrando buenos valores sin cubrir exhaustivamente cada punto de la cuadrícula.
   • Aprende los pesos e hiperparámetros al mismo tiempo.
4. ¿Cómo elige la optimización bayesiana qué configuración de hiperparámetros probar a continuación?
   • Elige configuraciones completamente al azar cada vez.
   • Siempre elige la configuración con más capas.
   • Copia exactamente la configuración de la prueba anterior.
   • Construye un modelo sobre qué entornos parecen prometedores y equilibra la exploración de la incertidumbre con la explotación de buenos resultados.
5. ¿Por qué el conjunto de prueba final debe permanecer intacto durante el ajuste de hiperparámetros?
   • Porque sintonizarlo filtraría información y daría una estimación demasiado optimista del rendimiento real.
   • Porque el conjunto de prueba se utiliza para calcular los pesos.
   • Porque el conjunto de prueba siempre es más pequeño que el conjunto de validación
   • Porque los hiperparámetros se almacenan en el conjunto de prueba.
6. ¿Qué problema resuelve un esquema de parada temprana como Hyperband en el ajuste de hiperparámetros?
   • Elimina la necesidad de una tasa de aprendizaje.
   • Ahorra cómputo al eliminar tempranamente las pruebas de bajo rendimiento y otorgar recursos a las prometedoras.
   • Garantiza que el modelo no se sobreadaptará.
   • Convierte hiperparámetros en parámetros que se pueden aprender.
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic