Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Kurekebisha Uwezekano

Hukagua ufafanuzi wa urekebishaji, michoro ya kutegemewa, ECE, kuongeza halijoto na kwa nini ubora wa uthibitishaji ni tofauti na usahihi wa uainishaji.

Njia za mwongozo zinazohusianaUrekebishaji wa Uwezekano
Swali 1 ya 8

Mfano umewekwa vizuri ikiwa, kati ya utabiri unaweka alama ya kujiamini 80%, tukio linatokea:

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Mfano umewekwa vizuri ikiwa, kati ya utabiri unaweka alama ya kujiamini 80%, tukio linatokea:
    • Karibu 80% ya wakati
    • 100% ya wakati
    • Karibu 20% ya wakati
    • Mara moja kabisa
  2. Kuongeza joto hufanya nini kwa matokeo ya mtandao wa neural?
    • Mabadiliko ambayo darasa linatabiriwa
    • Hugawanya kumbukumbu kwa scalar iliyojifunza kabla ya softmax, kurekebisha ujasiri
    • Huongeza kelele kwenye lebo za mafunzo
    • Hurekebisha mtandao kutoka mwanzo
  3. Mchoro wa kuegemea unapanga nini?
    • Upotezaji wa mafunzo dhidi ya enzi
    • Saizi ya mfano dhidi ya usahihi
    • Uwezekano uliotabiriwa dhidi ya masafa yaliyotazamwa
    • Kiwango cha kujifunza dhidi ya ukubwa wa kundi
  4. Hatua Zinazotarajiwa za Hitilafu ya Urekebishaji (ECE):
    • Usahihi wa juu-1 wa mfano
    • Idadi ya vigezo katika mfano
    • Tofauti ya gradients
    • Pengo la wastani lililopimwa kati ya uaminifu na usahihi kwenye mapipa
  5. Mitandao ya kisasa ya neva mara nyingi hufafanuliwa kama:
    • Kujiamini kupita kiasi
    • Kutojiamini
    • Imesawazishwa kikamilifu na chaguo-msingi
    • Haiwezi kutoa uwezekano
  6. Kwa nini kielelezo sahihi sana bado kinaweza kuhitaji urekebishaji?
    • Miundo sahihi daima huwa na hitilafu ya urekebishaji sifuri
    • Usahihi na urekebishaji ni sifa tofauti
    • Urekebishaji ni muhimu tu kwa urejeshaji
    • Usahihi huhakikisha uwezekano wa uaminifu
  7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
    • The final test set using classification accuracy
    • Only the training labels without model outputs
    • A held-out validation set using negative log-likelihood
    • The model’s hidden weights using mean squared error
  8. Why can temperature scaling improve calibration without changing top-1 accuracy?
    • It changes the model’s predicted class labels randomly
    • It retrains the feature extractor
    • It replaces every logit with the same value
    • Dividing logits by a positive scalar changes confidence but preserves their ordering