Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Penentukuran Kebarangkalian

Menyemak definisi penentukuran, rajah kebolehpercayaan, ECE, penskalaan suhu dan sebab kualiti pengesahan berbeza daripada ketepatan pengelasan.

Laluan panduan yang berkaitanPenentukuran Kebarangkalian
soalan 1 daripada 8

Model ditentukur dengan baik jika, antara ramalan ia melabelkan 80% yakin, peristiwa itu berlaku:

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Model ditentukur dengan baik jika, antara ramalan ia melabelkan 80% yakin, peristiwa itu berlaku:
    • Kira-kira 80% masa
    • 100% masa
    • Kira-kira 20% masa
    • Tepat sekali
  2. Apakah yang dilakukan oleh penskalaan suhu kepada output rangkaian saraf?
    • Mengubah kelas yang diramalkan
    • Membahagikan logit dengan skalar yang dipelajari sebelum softmax, melaraskan keyakinan
    • Menambah hingar pada label latihan
    • Melatih semula rangkaian dari awal
  3. Apakah plot rajah kebolehpercayaan?
    • Kehilangan latihan berbanding zaman
    • Saiz model berbanding ketepatan
    • Kebarangkalian yang diramalkan berbanding kekerapan yang diperhatikan
    • Kadar pembelajaran berbanding saiz kelompok
  4. Langkah-langkah Ralat Penentukuran Jangkaan (ECE):
    • Ketepatan top-1 model
    • Bilangan parameter dalam model
    • Varians kecerunan
    • Jurang purata wajaran antara keyakinan dan ketepatan merentas tong
  5. Rangkaian saraf dalam moden paling kerap digambarkan sebagai:
    • Terlalu yakin
    • Kurang yakin
    • Ditentukur dengan sempurna secara lalai
    • Tidak dapat mengeluarkan kebarangkalian
  6. Mengapakah model yang sangat tepat masih memerlukan penentukuran?
    • Model yang tepat sentiasa mempunyai ralat penentukuran sifar
    • Ketepatan dan penentukuran adalah sifat yang berbeza
    • Penentukuran hanya penting untuk regresi
    • Ketepatan menjamin kebarangkalian yang jujur
  7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
    • The final test set using classification accuracy
    • Only the training labels without model outputs
    • A held-out validation set using negative log-likelihood
    • The model’s hidden weights using mean squared error
  8. Why can temperature scaling improve calibration without changing top-1 accuracy?
    • It changes the model’s predicted class labels randomly
    • It retrains the feature extractor
    • It replaces every logit with the same value
    • Dividing logits by a positive scalar changes confidence but preserves their ordering