Quiz sur la régularisation

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

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. Quelle technique de régularisation est la plus susceptible de ramener certains poids exactement à zéro, sélectionnant ainsi efficacement les caractéristiques ?
   • Régularisation L2 (dégradation du poids)
   • Régularisation L1
   • Normalisation par lots
   • Augmenter le taux d'apprentissage
3. Comment le décrochage régularise-t-il un réseau de neurones pendant l’entraînement ?
   • Il supprime définitivement les couches du réseau
   • Il ajoute les poids au carré à la fonction de perte
   • Il désactive les neurones de manière aléatoire à chaque étape afin qu'ils ne puissent pas s'adapter
   • Il arrête la formation lorsque la perte de validation augmente
4. Dans la perte régularisée « erreur + lambda × pénalité », à quoi sert l'augmentation de lambda ?
   • Renforce la pénalité, poussant le modèle vers des solutions plus simples
   • Atténue la pénalité et autorise des poids plus élevés
   • Supprime entièrement le terme d'erreur
   • N'a aucun effet sur les poids
5. Pourquoi l’arrêt précoce peut-il être considéré comme une forme de régularisation ?
   • Parce que cela ajoute une pénalité de poids à la perte
   • Parce qu'il arrête l'entraînement avant que le modèle ne commence à intégrer le bruit dans les données
   • Parce que cela augmente la capacité du modèle au fil du temps
   • Parce qu'il supprime des neurones au hasard
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?
   • Huit
   • Trois
   • Cinq
   • Un