Maswali ya Kurekebisha vigezo vya Hyperparameta

Majibu na maelezo huonekana unapojibu maswali.

1. Ni nini kinachotofautisha hyperparameter kutoka kwa paramu ya kawaida ya mfano?
   • Hyperparameters zimewekwa kabla ya mafunzo na hazijajifunza moja kwa moja kutoka kwa data
   • Hyperparameters hujifunza moja kwa moja kwa kushuka kwa gradient wakati wa mafunzo
   • Vigezo vipo katika miundo ya mstari pekee
   • Hakuna tofauti ya kweli kati yao
2. Ni ipi inachukuliwa kuwa hyperparameta moja yenye athari zaidi ili kupata mafunzo ya kina?
   • Mbegu ya nasibu
   • Kiwango cha kujifunza
   • Umbizo la faili la seti ya data
   • Jina la kiboreshaji tofauti
3. Kwa nini utaftaji wa nasibu mara nyingi hufaulu zaidi utaftaji wa gridi ya urekebishaji wa hyperparameta?
   • Daima hujaribu mchanganyiko zaidi wa jumla
   • Haihitaji seti ya uthibitishaji
   • Huchukua sampuli za nafasi kwa ufanisi zaidi, kupata thamani nzuri bila kufunika kila nukta ya gridi ya taifa kikamilifu
   • Inajifunza uzito na hyperparameters kwa wakati mmoja
4. Uboreshaji wa Bayesian huchagua vipi usanidi wa hyperparameta ya kujaribu ijayo?
   • Huchagua usanidi kabisa bila mpangilio kila wakati
   • Daima huchagua usanidi na tabaka nyingi
   • Hunakili mipangilio ya jaribio la awali haswa
   • Inaunda kielelezo ambacho mipangilio yake inaonekana ya kuahidi na kusawazisha kuchunguza kutokuwa na uhakika kwa kutumia matokeo mazuri.
5. Kwa nini ni lazima seti ya mwisho ya jaribio ibaki bila kuguswa wakati wa kupanga mipangilio ya hyperparameta?
   • Kwa sababu kuibadilisha kunaweza kuvuja habari na kutoa makadirio ya kupindukia ya utendakazi halisi
   • Kwa sababu seti ya majaribio hutumiwa kuhesabu uzani
   • Kwa sababu seti ya majaribio daima ni ndogo kuliko seti ya uthibitishaji
   • Kwa sababu hyperparameters huhifadhiwa katika seti ya mtihani
6. Ni shida gani ambayo mpango wa kusimamisha mapema kama Hyperband hutatua katika urekebishaji wa hyperparameta?
   • Huondoa hitaji la kiwango cha kujifunza
   • Huokoa hesabu kwa kuua majaribio yenye utendaji wa chini mapema na kutoa rasilimali kwa wale wanaoahidi
   • Inahakikisha kuwa mfano hautapita
   • Inabadilisha hyperparameters kuwa vigezo vinavyoweza kujifunza
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