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.

Gerelateerde gidspadenHyperparameterafstemming
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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