Kuis Penyetelan Hyperparameter

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang membedakan hyperparameter dari parameter model biasa?
   • Hyperparameter ditetapkan sebelum pelatihan dan tidak dipelajari langsung dari data
   • Hyperparameter dipelajari secara otomatis melalui penurunan gradien selama pelatihan
   • Hyperparameter hanya ada di model linier
   • Tidak ada perbedaan nyata di antara keduanya
2. Hyperparameter mana yang umumnya dianggap sebagai satu-satunya hyperparameter yang paling berdampak untuk diterapkan dalam pembelajaran mendalam?
   • Benih acak
   • Kecepatan pembelajaran
   • Format file kumpulan data
   • Nama variabel pengoptimal
3. Mengapa pencarian acak sering kali mengungguli pencarian grid untuk penyetelan hyperparameter?
   • Ia selalu mencoba lebih banyak kombinasi total
   • Itu tidak memerlukan set validasi
   • Ini mengambil sampel ruang dengan lebih efisien, menemukan nilai yang baik tanpa mencakup setiap titik grid secara menyeluruh
   • Ia mempelajari bobot dan hyperparameter secara bersamaan
4. Bagaimana optimasi Bayesian memilih konfigurasi hyperparameter mana yang akan dicoba selanjutnya?
   • Ia mengambil konfigurasi secara acak setiap saat
   • Itu selalu memilih konfigurasi dengan lapisan terbanyak
   • Ini menyalin pengaturan uji coba sebelumnya dengan tepat
   • Hal ini membangun model yang kondisinya tampak menjanjikan dan menyeimbangkan eksplorasi ketidakpastian dengan pemanfaatan hasil yang baik
5. Mengapa set pengujian akhir harus tetap tidak tersentuh selama penyetelan hyperparameter?
   • Karena penyesuaian terhadap hal tersebut akan membocorkan informasi dan memberikan perkiraan kinerja sebenarnya yang terlalu optimis
   • Karena set tes digunakan untuk menghitung bobot
   • Karena set pengujian selalu lebih kecil dari set validasi
   • Karena hyperparameter disimpan di set pengujian
6. Masalah apa yang diselesaikan oleh skema penghentian awal seperti Hyperband dalam penyetelan hyperparameter?
   • Ini menghilangkan kebutuhan akan kecepatan pembelajaran
   • Teknologi ini menghemat komputasi dengan menghentikan uji coba yang berkinerja buruk sejak dini dan memberikan sumber daya kepada uji coba yang menjanjikan
   • Ini menjamin modelnya tidak akan overfit
   • Ini mengubah hyperparameter menjadi parameter yang dapat dipelajari
7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
   • It replaces training every candidate with a guaranteed exact score
   • It updates model weights during the final test
   • It estimates how promising configurations may be and guides the next trial
   • It labels the training examples
8. Why should tuning trials be compared on a validation set rather than the final test set?
   • The test set cannot contain labels
   • The validation set is always larger
   • The model cannot predict on a test set
   • Repeated test-set feedback would leak information and make the final estimate overoptimistic