정규화 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

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. 일부 가중치를 정확히 0으로 유도하여 효과적으로 특성을 선택할 가능성이 가장 높은 정규화 기술은 무엇입니까?
   • L2 정규화(가중치 감소)
   • L1 정규화
   • 일괄 정규화
   • 학습률 높이기
3. 드롭아웃은 훈련 중에 신경망을 어떻게 정규화합니까?
   • 네트워크에서 레이어를 영구적으로 삭제합니다.
   • 손실 함수에 가중치 제곱을 추가합니다.
   • 각 단계마다 뉴런을 무작위로 꺼서 공동 적응할 수 없도록 합니다.
   • 검증 손실이 증가하면 훈련을 중지합니다.
4. 정규화된 손실 '오류 + 람다 × 페널티'에서 람다 증가는 무엇을 합니까?
   • 페널티를 강화하여 모델을 더 간단한 솔루션으로 추진
   • 페널티를 약화시키고 더 큰 가중치를 허용합니다.
   • 오류항을 완전히 제거합니다.
   • 가중치에는 영향이 없습니다.
5. 조기 중단을 정규화의 한 형태로 간주할 수 있는 이유는 무엇입니까?
   • 손실에 중량 패널티를 추가하기 때문입니다.
   • 모델이 데이터에 노이즈를 맞추기 시작하기 전에 훈련을 중단하기 때문입니다.
   • 시간이 지남에 따라 모델 용량이 증가하기 때문입니다.
   • 뉴런을 무작위로 제거하기 때문에
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?
   • 여덟
   • 세
   • 다섯
   • 하나