Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penalaan Hiperparameter

Menyemak hiperparameter berbanding pemberat, carian berasaskan pengesahan, kaedah rawak dan Bayesian, Hyperband dan kebocoran set ujian.

Laluan panduan yang berkaitanPenalaan Hiperparameter
soalan 1 daripada 8

Apakah yang membezakan hiperparameter daripada parameter model biasa?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang membezakan hiperparameter daripada parameter model biasa?
    • Hiperparameter ditetapkan sebelum latihan dan tidak dipelajari secara langsung daripada data
    • Hiperparameter dipelajari secara automatik melalui penurunan kecerunan semasa latihan
    • Hiperparameter hanya wujud dalam model linear
    • Tidak ada perbezaan yang nyata antara mereka
  2. Manakah yang biasanya dianggap sebagai hiperparameter tunggal yang paling berkesan untuk menyesuaikan pembelajaran mendalam?
    • Benih rawak
    • Kadar pembelajaran
    • Format fail set data
    • Nama pembolehubah pengoptimum
  3. Mengapakah carian rawak sering mengatasi carian grid untuk penalaan hiperparameter?
    • Ia sentiasa mencuba lebih banyak kombinasi total
    • Ia tidak memerlukan set pengesahan
    • Ia sampel ruang dengan lebih cekap, mencari nilai yang baik tanpa menyeluruh meliputi setiap titik grid
    • Ia mempelajari berat dan hiperparameter pada masa yang sama
  4. Bagaimanakah pengoptimuman Bayesian memilih konfigurasi hiperparameter untuk dicuba seterusnya?
    • Ia memilih konfigurasi sepenuhnya secara rawak setiap kali
    • Ia sentiasa memilih konfigurasi dengan lapisan paling banyak
    • Ia menyalin tetapan percubaan sebelumnya dengan tepat
    • Ia membina model tetapan yang kelihatan menjanjikan dan mengimbangi penerokaan ketidakpastian dengan mengeksploitasi hasil yang baik
  5. Mengapakah set ujian akhir mesti kekal tidak disentuh semasa penalaan hiperparameter?
    • Kerana penalaan terhadapnya akan membocorkan maklumat dan memberikan anggaran prestasi sebenar yang terlalu optimistik
    • Kerana set ujian digunakan untuk mengira berat
    • Kerana set ujian sentiasa lebih kecil daripada set pengesahan
    • Kerana hiperparameter disimpan dalam set ujian
  6. Apakah masalah yang boleh diselesaikan oleh skim henti awal seperti Hyperband dalam penalaan hiperparameter?
    • Ia menghilangkan keperluan untuk kadar pembelajaran
    • Ia menjimatkan pengiraan dengan membunuh percubaan yang berprestasi rendah lebih awal dan memberi sumber kepada percubaan yang menjanjikan
    • Ia menjamin model tidak akan terlalu muat
    • Ia menukar hiperparameter kepada parameter yang boleh dipelajari
  7. In Bayesian hyperparameter optimization, what role does the probabilistic surrogate model play?
    • It replaces training every candidate with a guaranteed exact score
    • It updates model weights during the final test
    • It estimates how promising configurations may be and guides the next trial
    • It labels the training examples
  8. Why should tuning trials be compared on a validation set rather than the final test set?
    • The test set cannot contain labels
    • The validation set is always larger
    • The model cannot predict on a test set
    • Repeated test-set feedback would leak information and make the final estimate overoptimistic