गाइड से जुड़ी प्रश्नोत्तरी · मध्यम स्तर
संभाव्यता अंशांकन प्रश्नोत्तरी
अंशांकन परिभाषाओं, विश्वसनीयता आरेख, ईसीई, तापमान स्केलिंग की जांच करता है और सत्यापन गुणवत्ता वर्गीकरण सटीकता से अलग क्यों है।
प्रश्न 1 का 8
एक मॉडल को अच्छी तरह से कैलिब्रेट किया जाता है, यदि भविष्यवाणियों के बीच यह 80% आश्वस्त लेबल करता है, तो घटना घटित होती है:
प्रत्येक प्रश्न का पूर्वावलोकन करें8 प्रश्न
जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।
- एक मॉडल को अच्छी तरह से कैलिब्रेट किया जाता है, यदि भविष्यवाणियों के बीच यह 80% आश्वस्त लेबल करता है, तो घटना घटित होती है:
- लगभग 80% समय
- 100% समय
- लगभग 20% समय
- बिल्कुल एक बार
- तापमान स्केलिंग तंत्रिका नेटवर्क के आउटपुट पर क्या करती है?
- किस वर्ग में परिवर्तन की भविष्यवाणी की गई है
- आत्मविश्वास को समायोजित करते हुए, सॉफ्टमैक्स से पहले सीखे गए स्केलर द्वारा लॉग को विभाजित करता है
- प्रशिक्षण लेबलों में शोर जोड़ता है
- नेटवर्क को स्क्रैच से पुनः प्रशिक्षित करता है
- विश्वसनीयता आरेख क्या दर्शाता है?
- प्रशिक्षण हानि बनाम युग
- मॉडल आकार बनाम सटीकता
- अनुमानित संभाव्यता बनाम प्रेक्षित आवृत्ति
- सीखने की दर बनाम बैच आकार
- अपेक्षित अंशांकन त्रुटि (ईसीई) उपाय:
- मॉडल की शीर्ष-1 सटीकता
- मॉडल में पैरामीटरों की संख्या
- ग्रेडिएंट्स का विचरण
- सभी डिब्बों में आत्मविश्वास और सटीकता के बीच भारित औसत अंतर
- आधुनिक गहरे तंत्रिका नेटवर्क को अक्सर इस प्रकार वर्णित किया जाता है:
- अति आत्मविश्वासी
- अल्प आत्मविश्वासी
- डिफ़ॉल्ट रूप से पूर्णतया अंशांकित
- संभावनाओं को आउटपुट करने में असमर्थ
- अत्यधिक सटीक मॉडल को अभी भी अंशांकन की आवश्यकता क्यों हो सकती है?
- सटीक मॉडल में हमेशा शून्य अंशांकन त्रुटि होती है
- सटीकता और अंशांकन अलग-अलग गुण हैं
- अंशांकन केवल प्रतिगमन के लिए मायने रखता है
- सटीकता ईमानदार संभावनाओं की गारंटी देती है
- On which data is temperature scaling typically fit in the guide’s calibration workflow?
- The final test set using classification accuracy
- Only the training labels without model outputs
- A held-out validation set using negative log-likelihood
- The model’s hidden weights using mean squared error
- Why can temperature scaling improve calibration without changing top-1 accuracy?
- It changes the model’s predicted class labels randomly
- It retrains the feature extractor
- It replaces every logit with the same value
- Dividing logits by a positive scalar changes confidence but preserves their ordering