Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Hiperparaméter hangoló kvíz
Checks hyperparameters versus weights, validation-based search, random and Bayesian methods, Hyperband and test-set leakage.
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.
- 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
- Melyiket tekintik általában a leghatásosabb hiperparaméternek a mély tanulás hangolásához?
- A véletlenszerű mag
- A tanulási arány
- Az adatkészlet fájlformátuma
- Az optimalizáló változó neve
- 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
- 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
- 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
- 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
- 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
- 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