แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการสูญเสียบานพับ

คำนวณการสูญเสียบานพับจากระยะขอบที่ลงนาม และเชื่อมโยงการละเมิดระยะขอบกับวัตถุประสงค์ SVM และความแตกต่างจากการสูญเสียด้านลอจิสติกส์

เส้นทางแนะนำที่เกี่ยวข้องการสูญเสียบานพับ
คำถาม 1 ของ 8

ตัวอย่างที่ติดป้ายกำกับไว้อย่างถูกต้องมีค่า margin แบบมีเครื่องหมายเท่ากับ 0.4 ค่า hinge loss ของตัวอย่างนี้คือเท่าใด

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ตัวอย่างที่ติดป้ายกำกับไว้อย่างถูกต้องมีค่า margin แบบมีเครื่องหมายเท่ากับ 0.4 ค่า hinge loss ของตัวอย่างนี้คือเท่าใด
    • 0.6
    • 0
    • 1.4
    • 0.4
  2. ที่ระยะขอบที่มีเครื่องหมายเท่าใด hinge loss จะเริ่มเป็นศูนย์?
    • เป็นศูนย์พอดีเท่านั้น
    • หนึ่งหรือมากกว่านั้น
    • ค่าติดลบใดๆ
    • ที่ลบหนึ่งหรือน้อยกว่านั้น
  3. กรณีที่มีป้ายลบได้คะแนน 0.5 ระยะขอบที่มีเครื่องหมายคืออะไร?
    • 1.5
    • 0.5
    • -0.5
    • -1.5
  4. ทำไมจุดที่จำแนกถูกต้องจึงอาจมี hinge loss บวก?
    • จุดข้อมูลนั้นต้องถูกติดป้ายกำกับผิด
    • การจำแนกประเภทที่ถูกต้องหมายถึงคะแนนที่เป็นลบเสมอ
    • Hinge loss จะเพิกเฉยต่อ margin ทั้งหมด
    • มันอาจอยู่ถูกฝั่งแต่ยังอยู่ภายใน unit margin
  5. logistic loss แตกต่างอย่างไรสำหรับจุดที่จำแนกถูกต้องและอยู่ไกลเกินกว่าระยะขอบ?
    • มันเป็นศูนย์พอดีเสมอ
    • มันยังคงมีค่า loss เป็นบวก
    • มันกลายเป็นความน่าจะเป็นของคลาสด้วยตัวมันเอง
    • มันไม่มีนิยามสำหรับคะแนนที่เป็นบวก
  6. การแลกเปลี่ยนวัตถุประสงค์ใดที่พบบ่อยใน SVM เชิงเส้น?
    • พจน์ความกะทัดรัดของการจัดกลุ่มบวกกับค่าปรับความลึกของต้นไม้
    • พจน์ความคลาดเคลื่อนกำลังสองบนป้ายกำกับคลาสที่เป็นตัวเลขบวกกับพจน์ตามฤดูกาล
    • ค่าปรับบรรทัดฐานน้ำหนักที่สมดุลกับการละเมิด hinge-loss
    • ค่าปรับการปรับเทียบความน่าจะเป็นที่สมดุลกับความถี่ของคลาส
  7. เหตุใดคะแนนการตัดสินใจจึงไม่ควรรายงานเป็นความน่าจะเป็นที่ปรับเทียบแล้วโดยตรง
    • คะแนนการตัดสินใจคือความถี่ของเหตุการณ์ที่สังเกตได้อยู่แล้ว
    • คะแนนใดๆ ที่สูงกว่าศูนย์จะเป็นความน่าจะเป็นที่ปรับเทียบแล้วโดยอัตโนมัติ
    • SVM ทุกตัวจะประมาณการการแจกแจงเชิงกำเนิดเหนือคลาสต่างๆ
    • Hinge loss ไม่ได้ปรับเทียบคะแนนการตัดสินใจให้เป็นความน่าจะเป็นด้วยตัวมันเอง
  8. ควรตรวจสอบสิ่งใดเมื่อเปรียบเทียบการใช้งาน SVM สองแบบที่เรียกว่าตัวจำแนกเชิงเส้น
    • ว่าตัวประมาณค่าใช้ hinge หรือ squared hinge และการตั้งค่า regularization ที่เข้ากันได้หรือไม่
    • ว่าความแม่นยำในการฝึกที่เหมือนกันหมายความว่านิยามของ loss นั้นเทียบเท่ากันหรือไม่
    • ไม่ว่าค่าความสูญเสียดิบจะต้องตรงกันหรือไม่ แม้ว่านิยามของความสูญเสียจะแตกต่างกันก็ตาม
    • ไม่ว่าแต่ละการนำไปใช้งานจะบรรลุความแม่นยำในการฝึกฝนถึง 100% หรือไม่