正則化クイズ

クイズに答えると、答えと解説が表示されます。

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. いくつかの重みを正確にゼロに駆動し、効果的に特徴を選択する可能性が最も高い正則化手法はどれですか?
   • L2 正則化 (重み減衰)
   • L1 正則化
   • バッチ正規化
   • 学習率の向上
3. ドロップアウトはトレーニング中にどのようにしてニューラル ネットワークを正規化するのでしょうか?
   • レイヤーをネットワークから永久に削除します
   • 二乗重みを損失関数に追加します。
   • ステップごとにニューロンのスイッチをランダムにオフにするため、ニューロンは同時適応できません
   • 検証損失が増加するとトレーニングを停止します
4. 正規化された損失「エラー + ラムダ × ペナルティ」では、ラムダを増やすとどうなるでしょうか?
   • ペナルティを強化し、モデルをよりシンプルなソリューションに向けて推進します
   • ペナルティを弱め、より大きなウェイトを許可します
   • エラー用語を完全に削除します
   • 体重には影響しない
5. 早期停止が正規化の一形態とみなされるのはなぜですか?
   • 損失に重量ペナルティが追加されるため
   • モデルがデータにノイズを当てはめ始める前にトレーニングが停止するため
   • 時間の経過とともにモデルの容量が増加するため
   • ニューロンをランダムに除去するため
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?
   • 8
   • 3
   • 5
   • 1 つ