Kuiz berkaitan panduan · Sederhana Tahap
Kuiz Regularisasi
Semak matlamat penyusunan semula, penalti L1 dan L2, keciciran, pemberhentian awal, kekuatan penalti dan contoh berangka bagi objektif yang ditetapkan.
soalan 1 daripada 8
Why would a practitioner add regularization when a model fits training-specific noise?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- 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
- Teknik regularisasi manakah yang paling berkemungkinan memacu beberapa pemberat tepat kepada sifar, memilih ciri dengan berkesan?
- Penyelarasan L2 (pereputan berat badan)
- Penyelarasan L1
- Normalisasi kelompok
- Meningkatkan kadar pembelajaran
- Bagaimanakah keciciran menormalkan rangkaian saraf semasa latihan?
- Ia memadamkan lapisan secara kekal daripada rangkaian
- Ia menambah pemberat kuasa dua kepada fungsi kehilangan
- Ia secara rawak mematikan neuron setiap langkah supaya mereka tidak boleh menyesuaikan diri
- Ia menghentikan latihan apabila kehilangan pengesahan meningkat
- Dalam 'ralat + lambda × penalti' kerugian tetap, apakah yang dilakukan oleh peningkatan lambda?
- Mengukuhkan penalti, mendorong model ke arah penyelesaian yang lebih mudah
- Melemahkan penalti dan membenarkan pemberat yang lebih besar
- Mengalih keluar istilah ralat sepenuhnya
- Tidak mempunyai kesan pada berat
- Mengapakah berhenti awal boleh dianggap sebagai satu bentuk penyelarasan?
- Kerana ia menambah penalti berat kepada kehilangan
- Kerana ia menghentikan latihan sebelum model mula memasang hingar dalam data
- Kerana ia meningkatkan kapasiti model dari semasa ke semasa
- Kerana ia membuang neuron secara rawak
- 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
- 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
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- Lapan
- Tiga
- Lima
- satu