Quiz collegato alla guida · Medio Livello
Quiz sull'ottimizzazione degli iperparametri
Controlla gli iperparametri rispetto ai pesi, la ricerca basata sulla convalida, i metodi casuali e bayesiani, l'iperbanda e la perdita del set di test.
Domanda 1 di 8
Cosa distingue un iperparametro da un parametro del modello normale?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa distingue un iperparametro da un parametro del modello normale?
- Gli iperparametri vengono impostati prima dell'addestramento e non vengono appresi direttamente dai dati
- Gli iperparametri vengono appresi automaticamente mediante la discesa del gradiente durante l'addestramento
- Gli iperparametri esistono solo nei modelli lineari
- Non c'è alcuna reale differenza tra loro
- Qual è comunemente considerato il singolo iperparametro di maggior impatto per ottimizzare il deep learning?
- Il seme casuale
- Il tasso di apprendimento
- Il formato file del set di dati
- Il nome della variabile di ottimizzazione
- Perché la ricerca casuale spesso supera la ricerca su griglia per l'ottimizzazione degli iperparametri?
- Prova sempre combinazioni più totali
- Non richiede un set di convalida
- Campiona lo spazio in modo più efficiente, trovando buoni valori senza coprire in modo esaustivo ogni punto della griglia
- Apprende i pesi e gli iperparametri allo stesso tempo
- In che modo l'ottimizzazione bayesiana sceglie quale configurazione di iperparametri provare successivamente?
- Sceglie le configurazioni in modo completamente casuale ogni volta
- Sceglie sempre la configurazione con il maggior numero di livelli
- Copia esattamente le impostazioni della versione di prova precedente
- Costruisce un modello in base al quale gli ambienti sembrano promettenti e bilancia l’esplorazione dell’incertezza con lo sfruttamento di buoni risultati
- Perché il set di test finale deve rimanere intatto durante l'ottimizzazione degli iperparametri?
- Perché sintonizzarsi contro di esso farebbe trapelare informazioni e fornirebbe una stima eccessivamente ottimistica delle prestazioni reali
- Perché il set di test viene utilizzato per calcolare i pesi
- Perché il set di test è sempre più piccolo del set di validazione
- Poiché gli iperparametri sono archiviati nel set di test
- Quale problema risolve uno schema di arresto anticipato come Hyperband nell'ottimizzazione degli iperparametri?
- Elimina la necessità di un tasso di apprendimento
- Risparmia tempo di elaborazione eliminando tempestivamente gli studi con prestazioni inferiori e assegnando risorse a quelli promettenti
- Garantisce che il modello non si adatterà eccessivamente
- Converte gli iperparametri in parametri apprendibili
- 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
- Why should tuning trials be compared on a validation set rather than the final test set?
- Il set di test non può contenere etichette
- 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