Quiz collegato alla guida · Medio Livello
Quiz sulla regolarizzazione
Controlla gli obiettivi di regolarizzazione, le penalità di L1 e L2, l'abbandono, l'interruzione anticipata, l'intensità della penalità e gli esempi numerici di un obiettivo regolarizzato.
Domanda 1 di 8
Why would a practitioner add regularization when a model fits training-specific noise?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Why would a practitioner add regularization when a model fits training-specific noise?
- To guarantee zero training error
- To remove the need for validation data
- To guarantee a faster GPU kernel
- To discourage overfitting and evaluate whether unseen-data performance improves
- Quale tecnica di regolarizzazione ha maggiori probabilità di portare alcuni pesi esattamente a zero, selezionando in modo efficace le caratteristiche?
- Regolarizzazione L2 (decadimento ponderale)
- Regolarizzazione L1
- Normalizzazione batch
- Aumentare il tasso di apprendimento
- In che modo l'abbandono regolarizza una rete neurale durante l'allenamento?
- Elimina i livelli in modo permanente dalla rete
- Aggiunge i pesi quadrati alla funzione di perdita
- Spegne casualmente i neuroni ad ogni passaggio in modo che non possano coadattarsi
- Interrompe l'addestramento quando aumenta la perdita di convalida
- Nella perdita regolarizzata "errore + lambda × penalità", cosa fa l'aumento del lambda?
- Rafforza la pena, spingendo il modello verso soluzioni più semplici
- Indebolisce la penalità e consente pesi maggiori
- Rimuove completamente il termine di errore
- Non ha alcun effetto sui pesi
- Perché l'arresto anticipato può essere considerato una forma di regolarizzazione?
- Perché aggiunge una penalità di peso alla perdita
- Perché interrompe l'addestramento prima che il modello inizi a inserire il rumore nei dati
- Perché aumenta la capacità del modello nel tempo
- Perché rimuove i neuroni in modo casuale
- What can happen when regularization is strengthened beyond what a task needs?
- Both training and test accuracy must improve
- The penalty becomes unrelated to the objective
- Validation becomes unnecessary
- The model can underfit useful structure even if variance decreases
- For a regularization example with weights minus two and one, what are the unscaled L1 and sum-of-squares L2 penalties?
- L1 is three and L2 is five
- L1 is minus one and L2 is three
- L1 is five and L2 is three
- Both penalties are minus two
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- Otto
- Tre
- Cinque
- Uno