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.

Kapcsolódó útmutató utakRendszeresítés
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
    • Nyolc
    • Három
    • Öt
    • Egy