Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Urekebishaji wa vifaa

Hukagua uwezekano wa sigmoid na softmax, uwekaji mtambuka, tafsiri ya matumaini, viwango vya maamuzi, na chaguo za kuhalalisha.

Njia za mwongozo zinazohusianaUrejeshaji wa vifaa
Swali 1 ya 8

Licha ya jina lake, urekebishaji wa vifaa unatumika kwa nini?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Licha ya jina lake, urekebishaji wa vifaa unatumika kwa nini?
    • Uainishaji katika kategoria
    • Kutabiri nambari zinazoendelea
    • Inakusanya data isiyo na lebo
    • Kupunguza vipimo
  2. Je, sigmoid (vifaa) kazi hufanya nini katika mfano?
    • Inachagua idadi ya vipengele
    • Huweka thamani yoyote kwa uwezekano kati ya 0 na 1
    • Inaondoa vitu vya nje
    • Inakusanya data
  3. Ni kazi gani ya upotezaji ambayo urekebishaji wa vifaa hupunguza wakati wa mafunzo?
    • Wastani wa hitilafu ya mraba
    • Inertia
    • Upotezaji wa kumbukumbu (mtambuka)
    • Kupoteza kwa bawaba
  4. Kwa nini urekebishaji wa vifaa unathaminiwa kwa ukalimani?
    • Haitumii hesabu
    • Inaficha mantiki yake ya ndani
    • Daima hutabiri asilimia 50
    • Kila uzani unaonyesha jinsi kipengele kinavyobadilisha uwezekano wa matokeo
  5. Urekebishaji wa vifaa kawaida hubadilishaje uwezekano kuwa lebo ya darasa?
    • Inatumika kizingiti, mara nyingi 0.5
    • Daima huchagua darasa la kwanza
    • Ni wastani wa majirani
    • Inatumia uteuzi wa nasibu
  6. Urekebishaji wa vifaa unaunganishwaje na mitandao ya neural?
    • Haihusiani nao
    • Safu ya mwisho ya neural net sigmoid au softmax kimsingi ni urekebishaji wa vifaa
    • Inachukua nafasi ya tabaka zote zilizofichwa
    • Inaweza kufanya kazi kwenye GPU pekee
  7. What does convexity tell us about the binary logistic-regression negative log-likelihood?
    • It guarantees exactly one finite solution for every dataset
    • It makes the model immune to mislabeled examples
    • A finite local minimum is global, but convexity alone does not guarantee uniqueness
    • It means the decision boundary must be nonlinear
  8. What can complete separation imply for unregularized logistic-regression maximum likelihood?
    • The model must misclassify every training example
    • The sigmoid stops mapping scores to probabilities
    • The optimizer automatically adds regularization
    • There may be no finite maximum-likelihood estimate because coefficients can grow without bound