Test de reglare a hiperparametrilor

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce diferențiază un hiperparametru de un parametru de model obișnuit?
   • Hiperparametrii sunt stabiliți înainte de antrenament și nu sunt învățați direct din date
   • Hiperparametrii sunt învățați automat prin coborârea gradientului în timpul antrenamentului
   • Hiperparametrii există doar în modelele liniare
   • Nu există nicio diferență reală între ele
2. Care este în mod obișnuit considerat hiperparametrul cu cel mai mare impact pentru a regla învățarea profundă?
   • Sămânța întâmplătoare
   • Rata de învățare
   • Formatul de fișier al setului de date
   • Numele variabilei de optimizare
3. De ce căutarea aleatorie depășește adesea căutarea în grilă pentru reglarea hiperparametrului?
   • Întotdeauna încearcă mai multe combinații totale
   • Nu necesită un set de validare
   • Eșantionează spațiul mai eficient, găsind valori bune fără a acoperi în mod exhaustiv fiecare punct al grilei
   • Învață greutățile și hiperparametrii în același timp
4. Cum alege optimizarea bayesiană ce configurație de hiperparametru să încerce în continuare?
   • Alege configurații complet la întâmplare de fiecare dată
   • Alege întotdeauna configurația cu cele mai multe straturi
   • Copiază exact setările versiunii anterioare
   • Construiește un model al cărui setări par promițătoare și echilibrează explorarea incertitudinii cu exploatarea rezultatelor bune
5. De ce setul final de testare trebuie să rămână neatins în timpul reglajului hiperparametrului?
   • Pentru că ajustarea împotriva acestuia ar scurge informații și ar oferi o estimare prea optimistă a performanței reale
   • Deoarece setul de testare este folosit pentru a calcula greutățile
   • Deoarece setul de testare este întotdeauna mai mic decât setul de validare
   • Deoarece hiperparametrii sunt stocați în setul de testare
6. Ce problemă rezolvă o schemă de oprire anticipată precum Hyperband în reglarea hiperparametrului?
   • Îndepărtează necesitatea unei rate de învățare
   • Economisește calculul prin uciderea timpurie a încercărilor subperformante și oferind resurse celor promițătoare
   • Acesta garantează că modelul nu se va supraadapta
   • Convertește hiperparametrii în parametri care pot fi învățați
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