गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
लर्निंग कर्व्स और वैलिडेशन कर्व्स क्विज़
ध्वनि मूल्यांकन विभाजन का उपयोग करके डेटा आवश्यकताओं, अंडरफिटिंग, ओवरफिटिंग और हाइपरपैरामीटर विकल्पों का निदान करने के लिए सीखने और सत्यापन वक्रों की व्याख्या करें।
प्रश्न 1 का 8
एक सामान्य डेटा-आकार सीखने की अवस्था में, सत्यापन स्कोर को किसके विरुद्ध प्लॉट किया जाता है?
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- एक सामान्य डेटा-आकार सीखने की अवस्था में, सत्यापन स्कोर को किसके विरुद्ध प्लॉट किया जाता है?
- प्रत्येक फिट के लिए उपयोग किए गए प्रशिक्षण उदाहरण
- एक निश्चित प्रशिक्षण नमूने के साथ अनुकूलन युग
- एक नियमितीकरण सेटिंग के मान
- निर्णय सीमाएँ एक फिट मॉडल पर लागू होती हैं
- प्रशिक्षण और सत्यापन स्कोर दोनों कम और करीबी हैं। कौन सा निदान उपयुक्त है?
- मॉडल को अच्छी तरह से कैलिब्रेट किया जाना चाहिए
- मॉडल अंडरफ़िटिंग हो सकता है
- मॉडल ओवरफिटिंग होना चाहिए क्योंकि अंतर छोटा है
- समस्या को हल करने के लिए अधिक प्रशिक्षण उदाहरणों की गारंटी है
- प्रशिक्षण प्रदर्शन मजबूत है जबकि सत्यापन प्रदर्शन बहुत कमजोर है। अंतर क्या सुझाता है?
- डेटा वितरण बिल्कुल मेल खाना चाहिए
- प्रशिक्षण उदाहरणों में फिट होने के लिए मॉडल बहुत सरल होना चाहिए
- अतिरिक्त प्रशिक्षण युग सदैव अंतराल को दूर करते हैं
- ओवरफिटिंग का जोखिम
- सत्यापन वक्र क्या भिन्न होता है?
- अंतिम परीक्षण लेबल का उपयोग स्कोरिंग के लिए किया जाता है
- सभी मॉडल सेटिंग्स स्थिर रहने पर उदाहरणों की संख्या
- नियमितीकरण शक्ति जैसे हाइपरपैरामीटर
- किसी भी मॉडल सेटिंग को बदले बिना कक्षा के नाम
- परीक्षण सेट को बार-बार होने वाली ट्यूनिंग से अलग क्यों रखें?
- प्रत्येक ट्यूनिंग विकल्प के लिए परीक्षण लेबल की आवश्यकता होती है
- बार-बार चुने गए विकल्प सत्यापन सेट के अनुकूल हो सकते हैं
- एक आयोजित-आउट परीक्षण सेट स्वचालित रूप से प्रशिक्षण रिसाव की मरम्मत करता है
- चयन के दौरान सत्यापन और परीक्षण सेट समान भूमिका निभाते हैं
- सबसे बड़े प्रशिक्षण उपसमूह में सत्यापन स्कोर में अभी भी सुधार हुआ है। सावधान निष्कर्ष क्या है?
- अधिक समान प्रतिनिधि डेटा बिना किसी गारंटी के मदद कर सकता है
- तैनात परीक्षण स्कोर में उसी मात्रा में सुधार होना चाहिए
- शेष सुधार पूर्णतया अगले युगों से आना चाहिए
- प्रवृत्ति अंशांकित संभावनाओं को स्थापित करती है
- भविष्य के समय-श्रृंखला मूल्यों की भविष्यवाणी करने के उद्देश्य से कौन सा मूल्यांकन विभाजन एक मॉडल के लिए उपयुक्त है?
- दोनों विभाजनों में टाइमस्टैम्प को बेतरतीब ढंग से फेरबदल किया गया
- यादृच्छिक विभाजन के बाद ही पंक्तियों का आदेश दिया गया
- कालक्रम का सम्मान करने वाला विभाजन
- बाद के उदाहरणों का उपयोग पिछली भविष्यवाणियों का पूर्वव्यापी मूल्यांकन करने के लिए किया जाता था
- एक छोटे डेटासेट के लिए वक्र बिंदुओं को दोहराना या अनिश्चितता क्यों दिखाना?
- यह गारंटी देने के लिए कि प्रत्येक उम्मीदवार का प्रशिक्षण स्कोर समान है
- अंतिम परीक्षण सेट की आवश्यकता को समाप्त करने के लिए
- स्कोर अंतर को कारणात्मक प्रभावों में बदलना
- डेटा विभाजन से परिवर्तनशीलता प्रकट करने के लिए