Викторина по функциям потерь

Ответы и пояснения появляются по мере прохождения теста.

1. For a prediction task, what does its selected loss quantify against the training target?
   • A specified prediction-error objective
   • Only runtime speed
   • Only the number of network layers
   • Every application benefit automatically
2. Какая функция потерь чаще всего используется для задач классификации?
   • Среднеквадратическая ошибка
   • Средняя абсолютная ошибка
   • Перекрестная энтропийная потеря
   • Только расстояние до шарнира
3. Почему вы можете выбрать среднюю абсолютную ошибку по сравнению со среднеквадратичной ошибкой?
   • Он исправляет ошибки, чтобы наказать их сильнее.
   • Он более устойчив к выбросам, поскольку не возводит ошибки в квадрат.
   • Его нельзя использовать для регрессии.
   • Он игнорирует истинные ярлыки
4. Why does gradient-based training need a usable loss derivative or suitable substitute?
   • So a loss number can be printed
   • So all learning methods become identical
   • So the dataset no longer needs targets
   • So backpropagation and optimization can obtain an update signal
5. How does one-hot class cross-entropy change as probability assigned to the target class becomes very small?
   • Its loss must become zero
   • It rewards the prediction increasingly
   • Its loss becomes large
   • It becomes identical to accuracy
6. Почему точность обычно не используется напрямую как потеря при обучении?
   • Он не дифференцируем, поэтому не дает полезного градиента.
   • Это слишком легко вычислить
   • Это работает только для регрессии
   • В любом случае это всегда равно потере
7. For illustrative regression residuals one and three, what are mean squared error and mean absolute error?
   • MSE is two and MAE is five
   • Both are four
   • MSE is ten and MAE is four
   • MSE is five and MAE is two
8. Using a base-two logarithm, what one-hot cross-entropy loss corresponds to target-class probability one-quarter?
   • One-quarter bit
   • Two bits
   • Four bits
   • Zero bits