แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการสูญเสียบานพับ
คำนวณการสูญเสียบานพับจากระยะขอบที่ลงนาม และเชื่อมโยงการละเมิดระยะขอบกับวัตถุประสงค์ SVM และความแตกต่างจากการสูญเสียด้านลอจิสติกส์
คำถาม 1 ของ 8
ตัวอย่างที่ติดป้ายกำกับไว้อย่างถูกต้องมีค่า margin แบบมีเครื่องหมายเท่ากับ 0.4 ค่า hinge loss ของตัวอย่างนี้คือเท่าใด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ตัวอย่างที่ติดป้ายกำกับไว้อย่างถูกต้องมีค่า margin แบบมีเครื่องหมายเท่ากับ 0.4 ค่า hinge loss ของตัวอย่างนี้คือเท่าใด
- 0.6
- 0
- 1.4
- 0.4
- ที่ระยะขอบที่มีเครื่องหมายเท่าใด hinge loss จะเริ่มเป็นศูนย์?
- เป็นศูนย์พอดีเท่านั้น
- หนึ่งหรือมากกว่านั้น
- ค่าติดลบใดๆ
- ที่ลบหนึ่งหรือน้อยกว่านั้น
- กรณีที่มีป้ายลบได้คะแนน 0.5 ระยะขอบที่มีเครื่องหมายคืออะไร?
- 1.5
- 0.5
- -0.5
- -1.5
- ทำไมจุดที่จำแนกถูกต้องจึงอาจมี hinge loss บวก?
- จุดข้อมูลนั้นต้องถูกติดป้ายกำกับผิด
- การจำแนกประเภทที่ถูกต้องหมายถึงคะแนนที่เป็นลบเสมอ
- Hinge loss จะเพิกเฉยต่อ margin ทั้งหมด
- มันอาจอยู่ถูกฝั่งแต่ยังอยู่ภายใน unit margin
- logistic loss แตกต่างอย่างไรสำหรับจุดที่จำแนกถูกต้องและอยู่ไกลเกินกว่าระยะขอบ?
- มันเป็นศูนย์พอดีเสมอ
- มันยังคงมีค่า loss เป็นบวก
- มันกลายเป็นความน่าจะเป็นของคลาสด้วยตัวมันเอง
- มันไม่มีนิยามสำหรับคะแนนที่เป็นบวก
- การแลกเปลี่ยนวัตถุประสงค์ใดที่พบบ่อยใน SVM เชิงเส้น?
- พจน์ความกะทัดรัดของการจัดกลุ่มบวกกับค่าปรับความลึกของต้นไม้
- พจน์ความคลาดเคลื่อนกำลังสองบนป้ายกำกับคลาสที่เป็นตัวเลขบวกกับพจน์ตามฤดูกาล
- ค่าปรับบรรทัดฐานน้ำหนักที่สมดุลกับการละเมิด hinge-loss
- ค่าปรับการปรับเทียบความน่าจะเป็นที่สมดุลกับความถี่ของคลาส
- เหตุใดคะแนนการตัดสินใจจึงไม่ควรรายงานเป็นความน่าจะเป็นที่ปรับเทียบแล้วโดยตรง
- คะแนนการตัดสินใจคือความถี่ของเหตุการณ์ที่สังเกตได้อยู่แล้ว
- คะแนนใดๆ ที่สูงกว่าศูนย์จะเป็นความน่าจะเป็นที่ปรับเทียบแล้วโดยอัตโนมัติ
- SVM ทุกตัวจะประมาณการการแจกแจงเชิงกำเนิดเหนือคลาสต่างๆ
- Hinge loss ไม่ได้ปรับเทียบคะแนนการตัดสินใจให้เป็นความน่าจะเป็นด้วยตัวมันเอง
- ควรตรวจสอบสิ่งใดเมื่อเปรียบเทียบการใช้งาน SVM สองแบบที่เรียกว่าตัวจำแนกเชิงเส้น
- ว่าตัวประมาณค่าใช้ hinge หรือ squared hinge และการตั้งค่า regularization ที่เข้ากันได้หรือไม่
- ว่าความแม่นยำในการฝึกที่เหมือนกันหมายความว่านิยามของ loss นั้นเทียบเท่ากันหรือไม่
- ไม่ว่าค่าความสูญเสียดิบจะต้องตรงกันหรือไม่ แม้ว่านิยามของความสูญเสียจะแตกต่างกันก็ตาม
- ไม่ว่าแต่ละการนำไปใช้งานจะบรรลุความแม่นยำในการฝึกฝนถึง 100% หรือไม่