Test legat de ghid · Mediu Nivel
Test de regularizare
Check regularization goals, L1 and L2 penalties, dropout, early stopping, penalty strength, and numerical examples of a regularized objective.
Întrebare 1 de 8
Why would a practitioner add regularization when a model fits training-specific noise?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- 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
- Ce tehnică de regularizare este cel mai probabil să conducă unele greutăți exact la zero, selectând în mod eficient funcțiile?
- Regularizare L2 (scădere în greutate)
- Regularizare L1
- Normalizarea loturilor
- Creșterea ratei de învățare
- Cum abandonează o rețea neuronală în timpul antrenamentului?
- Acesta șterge permanent straturi din rețea
- Adaugă greutățile pătrate la funcția de pierdere
- Oprește aleatoriu neuronii la fiecare pas, astfel încât aceștia să nu se poată co-adapta
- Se oprește antrenamentul atunci când pierderea de validare crește
- În pierderea regularizată „eroare + lambda × penalizare”, ce face creșterea lambda?
- Întărește penalitatea, împingând modelul către soluții mai simple
- Slăbește pedeapsa și permite greutăți mai mari
- Îndepărtează complet termenul de eroare
- Nu are efect asupra greutăților
- De ce oprirea timpurie poate fi considerată o formă de regularizare?
- Pentru că adaugă o penalizare în greutate pierderii
- Deoarece oprește antrenamentul înainte ca modelul să înceapă să includă zgomot în date
- Pentru că crește capacitatea modelului în timp
- Pentru că elimină aleatoriu neuronii
- 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?
- Opt
- Trei
- Cinci
- Unul