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.

Percorsi guida correlatiOttimizzazione degli iperparametri
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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?
    • 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