Cuestionario vinculado a una guía · Medio Nivel

Prueba de regularización

Consulte los objetivos de regularización, las penalizaciones L1 y L2, los abandonos, las paradas anticipadas, la intensidad de las penalizaciones y los ejemplos numéricos de un objetivo regularizado.

Rutas de guía relacionadasRegularización
Pregunta 1 de 8

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

Vista previa de cada pregunta8 preguntas

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

  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. ¿Qué técnica de regularización es más probable que lleve algunos pesos exactamente a cero, seleccionando características de manera efectiva?
    • Regularización L2 (caída de peso)
    • Regularización L1
    • Normalización por lotes
    • Aumentar la tasa de aprendizaje
  3. ¿Cómo regulariza el abandono una red neuronal durante el entrenamiento?
    • Elimina capas permanentemente de la red.
    • Agrega los pesos al cuadrado a la función de pérdida.
    • Apaga aleatoriamente las neuronas en cada paso para que no puedan coadaptarse
    • Detiene el entrenamiento cuando aumenta la pérdida de validación.
  4. En la pérdida regularizada 'error + lambda × penalización', ¿qué hace el aumento de lambda?
    • Fortalece la penalización, empujando el modelo hacia soluciones más simples.
    • Debilita la penalización y permite pesos mayores.
    • Elimina el término de error por completo
    • No tiene ningún efecto sobre los pesos.
  5. ¿Por qué la interrupción anticipada puede considerarse una forma de regularización?
    • Porque añade una penalización de peso a la pérdida.
    • Porque detiene el entrenamiento antes de que el modelo comience a ajustar el ruido en los datos.
    • Porque aumenta la capacidad del modelo con el tiempo.
    • Porque elimina neuronas aleatoriamente.
  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?
    • Ocho
    • tres
    • Cinco
    • uno