Quiz lié à un guide · Moyen Niveau

Quiz sur les fonctions de perte

Objectifs de prédiction des tests, erreurs quadratiques et absolues, entropie croisée de classe, dérivés d'entraînement utilisables, unités de perte et moyennes d'erreurs numériques.

Chemins de guidage associésFonctions de perte
Question 1 de 8

For a prediction task, what does its selected loss quantify against the training target?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. For a prediction task, what does its selected loss quantify against the training target?
    • A specified prediction-error objective
    • Only runtime speed
    • Only the number of network layers
    • Every application benefit automatically
  2. Quelle fonction de perte est la plus couramment utilisée pour les tâches de classification ?
    • Erreur quadratique moyenne
    • Erreur absolue moyenne
    • Perte d'entropie croisée
    • Distance des charnières uniquement
  3. Par rapport à l’erreur quadratique moyenne, pourquoi pourriez-vous choisir l’erreur absolue moyenne ?
    • Il corrige les erreurs pour les punir davantage
    • Il est plus robuste aux valeurs aberrantes car il ne corrige pas les erreurs
    • Il ne peut pas être utilisé pour la régression
    • Il ignore les vraies étiquettes
  4. Why does gradient-based training need a usable loss derivative or suitable substitute?
    • So a loss number can be printed
    • So all learning methods become identical
    • So the dataset no longer needs targets
    • So backpropagation and optimization can obtain an update signal
  5. How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
    • Its loss must become zero
    • It rewards the prediction increasingly
    • Its loss becomes large
    • It becomes identical to accuracy
  6. Pourquoi la précision n’est-elle généralement pas utilisée directement comme perte d’entraînement ?
    • Il n'est pas différentiable, donc il ne donne aucun dégradé utile
    • C'est trop facile à calculer
    • Cela ne fonctionne que pour la régression
    • De toute façon, cela équivaut toujours à une perte
  7. For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
    • MSE is two and MAE is five
    • Both are four
    • MSE is ten and MAE is four
    • MSE is five and MAE is two
  8. Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
    • One-quarter bit
    • Two bits
    • Four bits
    • Zero bits