Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Penalaan Hiperparameter
Menyemak hiperparameter berbanding pemberat, carian berasaskan pengesahan, kaedah rawak dan Bayesian, Hyperband dan kebocoran set ujian.
soalan 1 daripada 8
Apakah yang membezakan hiperparameter daripada parameter model biasa?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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