Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor afstemming van hyperparameters
Controleert hyperparameters versus gewichten, op validatie gebaseerd zoeken, willekeurige en Bayesiaanse methoden, hyperband en lekkage van testsets.
Vraag 1 van 8
Wat onderscheidt een hyperparameter van een reguliere modelparameter?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat onderscheidt een hyperparameter van een reguliere modelparameter?
- Hyperparameters worden vóór de training ingesteld en worden niet rechtstreeks uit de gegevens geleerd
- Hyperparameters worden tijdens de training automatisch geleerd door gradiëntafdaling
- Hyperparameters bestaan alleen in lineaire modellen
- Er is geen echt verschil tussen hen
- Wat wordt algemeen beschouwd als de meest impactvolle hyperparameter om diepgaand leren af te stemmen?
- Het willekeurige zaad
- Het leerpercentage
- Het bestandsformaat van de gegevensset
- De naam van de optimalisatievariabele
- Waarom presteert willekeurig zoeken vaak beter dan rasterzoeken bij het afstemmen van hyperparameters?
- Het probeert altijd meer totaalcombinaties
- Er is geen validatieset vereist
- Het bemonstert de ruimte efficiënter en vindt goede waarden zonder elk rasterpunt volledig te bestrijken
- Het leert tegelijkertijd de gewichten en hyperparameters
- Hoe kiest Bayesiaanse optimalisatie welke hyperparameterconfiguratie als volgende moet worden geprobeerd?
- Het kiest elke keer volledig willekeurig configuraties
- Er wordt altijd de configuratie met de meeste lagen gekozen
- Het kopieert de instellingen van de vorige proefversie exact
- Het bouwt een model op waarvan de omstandigheden er veelbelovend uitzien en balanceert het verkennen van onzekerheid met het exploiteren van goede resultaten
- Waarom moet de uiteindelijke testset onaangeroerd blijven tijdens het afstemmen van hyperparameters?
- Omdat afstemmen hierop informatie zou lekken en een te optimistische schatting van de werkelijke prestaties zou opleveren
- Omdat de testset wordt gebruikt om de gewichten te berekenen
- Omdat de testset altijd kleiner is dan de validatieset
- Omdat hyperparameters in de testset worden opgeslagen
- Welk probleem lost een early-stopping-schema zoals Hyperband op bij het afstemmen van hyperparameters?
- Het elimineert de noodzaak van een leertempo
- Het bespaart rekenkracht door ondermaats presterende onderzoeken vroegtijdig te beëindigen en middelen te geven aan veelbelovende onderzoeken
- Het garandeert dat het model niet overfit zal zijn
- Het zet hyperparameters om in leerbare parameters
- 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