Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Rendszerezési kvíz
Check regularization goals, L1 and L2 penalties, dropout, early stopping, penalty strength, and numerical examples of a regularized objective.
kérdés 1 -ból 8
Why would a practitioner add regularization when a model fits training-specific noise?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Why would a practitioner add regularization when a model fits training-specific noise?
- To guarantee zero training error
- To remove the need for validation data
- To guarantee a faster GPU kernel
- To discourage overfitting and evaluate whether unseen-data performance improves
- Melyik szabályzási technika a legvalószínűbb, hogy bizonyos súlyokat pontosan nullára hajtson, hatékonyan kiválasztva a funkciókat?
- L2 rendszerezés (súlycsökkenés)
- L1 rendszerezés
- Kötegelt normalizálás
- A tanulási arány növelése
- Hogyan szabályozza a lemorzsolódás a neurális hálót a képzés során?
- Véglegesen törli a rétegeket a hálózatból
- Hozzáadja a súlyok négyzetét a veszteségfüggvényhez
- Véletlenszerűen kikapcsolja a neuronokat minden lépésben, így azok nem tudnak együtt alkalmazkodni
- Leállítja az edzést, ha az érvényesítési veszteség nő
- Mit tesz a 'hiba + lambda × büntetés' szabályosított veszteségben a lambda növelése?
- Erősíti a büntetést, egyszerűbb megoldások felé tolja a modellt
- Gyengíti a büntetést és nagyobb súlyokat tesz lehetővé
- Teljesen eltávolítja a hibakifejezést
- Nincs hatással a súlyokra
- Miért tekinthető a korai leállítás a rendszeresítés egyik formájának?
- Mert súlybüntetést ad a veszteséghez
- Mert leállítja a képzést, mielőtt a modell elkezdené a zaj illesztését az adatokba
- Mert idővel növeli a modell kapacitását
- Mert véletlenszerűen távolítja el a neuronokat
- What can happen when regularization is strengthened beyond what a task needs?
- Both training and test accuracy must improve
- The penalty becomes unrelated to the objective
- Validation becomes unnecessary
- The model can underfit useful structure even if variance decreases
- For a regularization example with weights minus two and one, what are the unscaled L1 and sum-of-squares L2 penalties?
- L1 is three and L2 is five
- L1 is minus one and L2 is three
- L1 is five and L2 is three
- Both penalties are minus two
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- Nyolc
- Három
- Öt
- Egy