Kuis terkait panduan · Sedang Tingkat

Kuis Fungsi Rugi

Uji tujuan prediksi, kesalahan kuadrat dan absolut, entropi lintas kelas, turunan pelatihan yang dapat digunakan, unit kerugian, dan rata-rata kesalahan numerik.

Jalur panduan terkaitFungsi Kerugian
Pertanyaan 1 dari 8

For a prediction task, what does its selected loss quantify against the training target?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. For a prediction task, what does its selected loss quantify against the training target?
    • A specified prediction-error objective
    • Only runtime speed
    • Only the number of network layers
    • Every application benefit automatically
  2. Fungsi kerugian manakah yang paling umum digunakan untuk tugas klasifikasi?
    • Kesalahan kuadrat rata-rata
    • Berarti kesalahan mutlak
    • Kerugian lintas entropi
    • Jarak engsel saja
  3. Dibandingkan dengan mean squared error, mengapa Anda memilih mean absolute error?
    • Ini mengkuadratkan kesalahan untuk menghukum mereka lebih banyak
    • Ini lebih kuat terhadap outlier karena tidak mengatasi kesalahan
    • Itu tidak dapat digunakan untuk regresi
    • Itu mengabaikan label sebenarnya
  4. Why does gradient-based training need a usable loss derivative or suitable substitute?
    • So a loss number can be printed
    • So all learning methods become identical
    • So the dataset no longer needs targets
    • So backpropagation and optimization can obtain an update signal
  5. How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
    • Its loss must become zero
    • It rewards the prediction increasingly
    • Its loss becomes large
    • It becomes identical to accuracy
  6. Mengapa akurasi biasanya tidak digunakan secara langsung sebagai kerugian pelatihan?
    • Itu tidak dapat dibedakan, sehingga tidak memberikan gradien yang berguna
    • Terlalu mudah untuk menghitungnya
    • Ini hanya berfungsi untuk regresi
    • Bagaimanapun, itu selalu sama dengan kerugian
  7. For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
    • MSE is two and MAE is five
    • Both are four
    • MSE is ten and MAE is four
    • MSE is five and MAE is two
  8. Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
    • One-quarter bit
    • Two bits
    • Four bits
    • Zero bits