Gids-gekoppelde quiz · Middelmatig Niveau

Regularisatiequiz

Controleer regularisatiedoelen, L1- en L2-straffen, uitval, vroegtijdig stoppen, strafsterkte en numerieke voorbeelden van een geregulariseerde doelstelling.

Gerelateerde gidspadenRegularisatie
Vraag 1 van 8

Waarom zou een professional regularisatie toevoegen wanneer een model trainingsspecifiek ruis fit?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waarom zou een professional regularisatie toevoegen wanneer een model trainingsspecifiek ruis fit?
    • 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
  2. Welke regularisatietechniek zal hoogstwaarschijnlijk bepaalde gewichten precies naar nul brengen, waardoor kenmerken effectief worden geselecteerd?
    • L2-regularisatie (gewichtsverlies)
    • L1-regularisatie
    • Batch-normalisatie
    • Het leertempo verhogen
  3. Hoe regulariseert drop-out een neuraal netwerk tijdens training?
    • Het verwijdert lagen permanent uit het netwerk
    • Het voegt de kwadratische gewichten toe aan de verliesfunctie
    • Het schakelt bij elke stap de neuronen willekeurig uit, zodat ze zich niet kunnen aanpassen
    • Het stopt met trainen wanneer het validatieverlies toeneemt
  4. Wat doet het verhogen van de lambda bij het geregulariseerde verlies 'fout + lambda × boete'?
    • Versterkt de straf, waardoor het model in de richting van eenvoudigere oplossingen wordt geduwd
    • Verzwakt de straf en maakt grotere gewichten mogelijk
    • Verwijdert de foutterm volledig
    • Heeft geen invloed op de gewichten
  5. Waarom kan vroegtijdig stoppen als een vorm van regularisatie worden beschouwd?
    • Omdat het een gewichtstraf toevoegt aan het verlies
    • Omdat de training wordt gestopt voordat het model ruis in de gegevens begint in te passen
    • Omdat het de modelcapaciteit in de loop van de tijd vergroot
    • Omdat het willekeurig neuronen verwijdert
  6. 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
  7. 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
  8. A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
    • Acht
    • Drie
    • Vijf
    • Eén