Kuis terkait panduan · Keras Tingkat

Kuis Proses Gaussian

Memeriksa distribusi fungsi GP, kernel, ketidakpastian posterior, penskalaan kubik, penyetelan hyperparameter, dan pengoptimalan Bayesian.

Jalur panduan terkaitProses Gaussian
Pertanyaan 1 dari 8

Proses Gaussian mendefinisikan distribusi probabilitas pada apa?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Proses Gaussian mendefinisikan distribusi probabilitas pada apa?
    • Fungsi
    • Hanya titik data individual
    • Label kelas terpisah
    • Bobot jaringan saraf
  2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
    • Only an exact parameter vector
    • A posterior predictive distribution with an uncertainty estimate
    • A guaranteed calibrated interval under any model mismatch
    • A deterministic label with no variance
  3. Peran apa yang dimainkan kernel (fungsi kovarians) di GP?
    • Ini memberi label pada data pelatihan
    • Ini menghilangkan kebutuhan akan data pelatihan
    • Ini mengkodekan seberapa mirip keluaran untuk masukan terdekat
    • Ini menetapkan kecepatan pembelajaran
  4. Mengapa Proses Gaussian standar kesulitan dengan kumpulan data yang sangat besar?
    • Mereka tidak dapat mewakili fungsi nonlinier
    • Mereka memerlukan kelas berlabel
    • Mereka mengabaikan data pelatihan sepenuhnya
    • Membalikkan matriks kernel membutuhkan waktu n-kubus
  5. Bagaimana hyperparameter GP seperti skala panjang biasanya dipilih?
    • Dengan memaksimalkan kemungkinan marjinal
    • Dengan menebak secara acak
    • Dengan meminimalkan jumlah titik data
    • Mereka selalu tetap dan tidak pernah disetel
  6. Dalam teknik populer manakah Proses Gaussian merupakan komponen inti?
    • Klasifikasi gambar konvolusional
    • Pengoptimalan Bayesian untuk penyetelan hyperparameter
    • Tokenisasi teks
    • Propagasi mundur melalui jaringan dalam
  7. Which kernel is described in the guide as smoother than the Matérn alternative?
    • A unigram frequency kernel
    • A transition-probability kernel
    • The RBF (squared exponential) kernel
    • The Viterbi kernel
  8. Why can a GP’s predictive uncertainty widen far from training observations?
    • The model adds more observed labels automatically
    • The mean function becomes a neural network
    • The kernel matrix becomes smaller than zero
    • There is less nearby data constraining the function under the selected covariance assumptions