Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Félig felügyelt tanulási kvíz
Review mixed label availability, self-training, consistency, cluster assumptions, FixMatch, error reinforcement, graph propagation, and unlabeled markers.
kérdés 1 -ból 8
A félig felügyelt tanulást olyan helyzetekre tervezték, ahol:
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- A félig felügyelt tanulást olyan helyzetekre tervezték, ahol:
- Minden példa teljesen fel van címkézve
- Egyáltalán nincsenek adatok
- A címkéket végtelenül olcsón lehet beszerezni
- Van egy kevés címkézett adata és sok címkézetlen adata
- How does self-training use selected predictions on unlabeled examples?
- It treats selected model guesses as pseudo-labels for further fitting
- It converts every guess into a verified human annotation
- It permanently removes the original labeled examples by definition
- It chooses labels only from alphabetical order
- Under consistency regularization, what agreement is encouraged across chosen class-preserving augmentations?
- A requirement that every arbitrary edit preserve the class
- Opposite predictions for every view of an example
- Agreement in the model's predictions
- Removal of every unlabeled input from the loss
- What does a cluster assumption propose for grouped observations in a semi-supervised method?
- Every possible cluster must contain every class equally
- They are likely to share a label under the assumed data structure
- All semi-supervised methods guarantee identical clusters
- Labels are determined by filename order
- Hogyan kombinálja a FixMatch a két fő ötletet?
- Álcímkéz egy gyengén bővített bemenetet, majd betanítja az erősen bővített változatot, hogy megfeleljen
- Csak címkézett adatokat használ, és figyelmen kívül hagy minden mást
- Teljesen törli a kiegészítéseket
- A címkéket tisztán véletlenszerűen rendeli hozzá
- How can confirmation bias arise during pseudo-label training?
- Only low-confidence labels can ever be wrong
- Every selected prediction becomes a verified fact
- Using any verified label prevents the model from learning
- Incorrect model-generated labels are accepted and then reinforced
- Which structure distinguishes graph-based label propagation from repeatedly selecting a classifier's confident guesses?
- Only a threshold on independently predicted class probabilities
- A similarity graph over labeled and unlabeled observations
- A list of random output labels with no input similarities
- A requirement to discard every relationship between observations
- In the stated scikit-learn semi-supervised interface, which integer marks an unlabeled target entry?
- Zero, necessarily the first actual class label
- One, necessarily the second actual class label
- Minus one
- Fifty, interpreted as a percentage-confidence threshold