Kuiz berkaitan panduan · Keras Tahap

Kuiz Proses Gaussian

Menyemak pengedaran fungsi GP, kernel, ketidakpastian posterior, penskalaan padu, penalaan hiperparameter dan pengoptimuman Bayesian.

Laluan panduan yang berkaitanProses Gaussian
soalan 1 daripada 8

Proses Gaussian mentakrifkan taburan kebarangkalian ke atas apa?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Proses Gaussian mentakrifkan taburan kebarangkalian ke atas apa?
    • Fungsi
    • Titik data individu sahaja
    • Label kelas diskret
    • Berat rangkaian saraf
  2. Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
    • Only an exact parameter vector
    • A posterior predictive distribution with an uncertainty estimate
    • A guaranteed calibrated interval under any model mismatch
    • A deterministic label with no variance
  3. Apakah peranan yang dimainkan oleh kernel (fungsi kovarians) dalam GP?
    • Ia melabelkan data latihan
    • Ia menghilangkan keperluan untuk data latihan
    • Ia mengekodkan bagaimana output serupa untuk input berdekatan
    • Ia menetapkan kadar pembelajaran
  4. Mengapakah Proses Gaussian standard bergelut dengan set data yang sangat besar?
    • Mereka tidak boleh mewakili fungsi tak linear
    • Mereka memerlukan kelas berlabel
    • Mereka mengabaikan data latihan sepenuhnya
    • Penyongsangan matriks isirong kos kira-kira masa n-kubus
  5. Bagaimanakah hiperparameter GP seperti skala panjang biasanya dipilih?
    • Dengan memaksimumkan kemungkinan marginal
    • Dengan meneka secara rawak
    • Dengan meminimumkan bilangan titik data
    • Mereka sentiasa tetap dan tidak pernah ditala
  6. Dalam teknik popular manakah Proses Gaussian merupakan komponen teras?
    • Klasifikasi imej konvolusi
    • Pengoptimuman Bayesian untuk penalaan hiperparameter
    • Tokenisasi teks
    • Penyebaran balik melalui rangkaian dalam
  7. Which kernel is described in the guide as smoother than the Matérn alternative?
    • A unigram frequency kernel
    • A transition-probability kernel
    • The RBF (squared exponential) kernel
    • The Viterbi kernel
  8. Why can a GP’s predictive uncertainty widen far from training observations?
    • The model adds more observed labels automatically
    • The mean function becomes a neural network
    • The kernel matrix becomes smaller than zero
    • There is less nearby data constraining the function under the selected covariance assumptions