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.

Percorsi guida correlatiRegolarizzazione
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
    • Otto
    • Tre
    • Cinque
    • Uno