Gids-gekoppelde quiz · Middelmatig Niveau
Regularisatiequiz
Controleer regularisatiedoelen, L1- en L2-straffen, uitval, vroegtijdig stoppen, strafsterkte en numerieke voorbeelden van een geregulariseerde doelstelling.
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.
- 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
- 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
- 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
- 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
- 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
- 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?
- Acht
- Drie
- Vijf
- Eén