Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Veszteségfüggvények kvíz
Test prediction objectives, squared and absolute errors, class cross-entropy, usable training derivatives, loss units, and numerical error averages.
kérdés 1 -ból 8
For a prediction task, what does its selected loss quantify against the training target?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- For a prediction task, what does its selected loss quantify against the training target?
- A specified prediction-error objective
- Only runtime speed
- Only the number of network layers
- Every application benefit automatically
- Melyik veszteségfüggvényt használják leggyakrabban osztályozási feladatokhoz?
- Átlagos négyzetes hiba
- Átlagos abszolút hiba
- Keresztentrópia veszteség
- Csak csuklótávolság
- Az átlagos négyzetes hibához képest miért választhatja az átlagos abszolút hibát?
- Kiemeli a hibákat, hogy jobban megbüntesse őket
- Robusztusabb a kiugró értékekre, mert nem négyzetesíti a hibákat
- Nem használható regresszióra
- Figyelmen kívül hagyja a valódi címkéket
- Why does gradient-based training need a usable loss derivative or suitable substitute?
- So a loss number can be printed
- So all learning methods become identical
- So the dataset no longer needs targets
- So backpropagation and optimization can obtain an update signal
- How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
- Its loss must become zero
- It rewards the prediction increasingly
- Its loss becomes large
- It becomes identical to accuracy
- A pontosságot általában miért nem használják közvetlenül edzési veszteségként?
- Nem differenciálható, így nem ad hasznos gradienst
- Túl könnyű kiszámítani
- Csak regresszióra működik
- Amúgy mindig egyenlő a veszteséggel
- For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
- MSE is two and MAE is five
- Both are four
- MSE is ten and MAE is four
- MSE is five and MAE is two
- Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
- One-quarter bit
- Two bits
- Four bits
- Zero bits