Questionário de regularização

As respostas e explicações aparecem conforme você responde ao teste.

1. 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
2. Qual técnica de regularização tem maior probabilidade de levar alguns pesos exatamente a zero, selecionando efetivamente os recursos?
   • Regularização L2 (queda de peso)
   • Regularização L1
   • Normalização em lote
   • Aumentando a taxa de aprendizagem
3. Como o abandono regulariza uma rede neural durante o treinamento?
   • Exclui camadas permanentemente da rede
   • Ele adiciona os pesos quadrados à função de perda
   • Ele desliga aleatoriamente os neurônios a cada passo para que eles não possam se adaptar
   • Ele interrompe o treinamento quando a perda de validação aumenta
4. Na perda regularizada 'erro + lambda × penalidade', o que o aumento do lambda faz?
   • Fortalece a penalidade, empurrando o modelo para soluções mais simples
   • Enfraquece a penalidade e permite pesos maiores
   • Remove totalmente o termo de erro
   • Não tem efeito nos pesos
5. Por que a parada antecipada pode ser considerada uma forma de regularização?
   • Porque adiciona uma penalidade de peso à perda
   • Porque interrompe o treinamento antes que o modelo comece a ajustar o ruído aos dados
   • Porque aumenta a capacidade do modelo ao longo do tempo
   • Porque remove neurônios aleatoriamente
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?
   • Oito
   • Três
   • Cinco
   • Um