Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Hiperparaméter hangoló kvíz

Checks hyperparameters versus weights, validation-based search, random and Bayesian methods, Hyperband and test-set leakage.

Kapcsolódó útmutató utakHiperparaméter hangolás
kérdés 1 -ból 8

Mi különbözteti meg a hiperparamétert egy normál modellparamétertől?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi különbözteti meg a hiperparamétert egy normál modellparamétertől?
    • A hiperparamétereket a képzés előtt állítják be, és nem közvetlenül az adatokból tanulják meg
    • A hiperparamétereket a rendszer automatikusan megtanulja a gradiens süllyedéssel az edzés során
    • A hiperparaméterek csak lineáris modellekben léteznek
    • Nincs köztük igazi különbség
  2. Melyiket tekintik általában a leghatásosabb hiperparaméternek a mély tanulás hangolásához?
    • A véletlenszerű mag
    • A tanulási arány
    • Az adatkészlet fájlformátuma
    • Az optimalizáló változó neve
  3. Miért jobb a véletlenszerű keresés a rácskeresésnél a hiperparaméter-hangolásnál?
    • Mindig több teljes kombinációt próbál ki
    • Nem igényel érvényesítési készletet
    • Hatékonyabban mintát vesz a térben, jó értékeket találva anélkül, hogy minden rácspontot kimerítően lefedne
    • Egyszerre tanulja meg a súlyokat és a hiperparamétereket
  4. Hogyan választja ki a Bayes-optimalizálás, hogy melyik hiperparaméter-konfigurációt próbálja meg legközelebb?
    • Minden alkalommal teljesen véletlenszerűen választja ki a konfigurációkat
    • Mindig a legtöbb réteget tartalmazó konfigurációt választja ki
    • Pontosan másolja az előző próbaverzió beállításait
    • Olyan modellt épít fel, amelyről a beállítások ígéretesnek tűnnek, és egyensúlyba hozza a bizonytalanság feltárását a jó eredmények kihasználásával
  5. Miért kell a végső tesztkészletnek érintetlennek maradnia a hiperparaméter-hangolás során?
    • Mert az ellene történő hangolás információt szivárogtatna ki, és túl optimista becslést adna a valós teljesítményről
    • Mivel a tesztkészletet a súlyok kiszámítására használják
    • Mivel a tesztkészlet mindig kisebb, mint az érvényesítő halmaz
    • Mivel a hiperparaméterek a tesztkészletben vannak tárolva
  6. Milyen problémát old meg egy korai leállítási séma, mint a Hyperband a hiperparaméter-hangolás során?
    • Megszünteti a tanulási sebesség szükségességét
    • Megtakarítja a számítást azáltal, hogy korán megöli az alulteljesítő próbákat, és erőforrásokat biztosít az ígéreteseknek
    • Ez garantálja, hogy a modell nem fog túlillni
    • A hiperparamétereket tanulható paraméterekké alakítja
  7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
    • It replaces training every candidate with a guaranteed exact score
    • It updates model weights during the final test
    • It estimates how promising configurations may be and guides the next trial
    • It labels the training examples
  8. Why should tuning trials be compared on a validation set rather than the final test set?
    • The test set cannot contain labels
    • The validation set is always larger
    • The model cannot predict on a test set
    • Repeated test-set feedback would leak information and make the final estimate overoptimistic