แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการปรับแต่งไฮเปอร์พารามิเตอร์

ตรวจสอบไฮเปอร์พารามิเตอร์เทียบกับน้ำหนัก การค้นหาตามการตรวจสอบ วิธีการสุ่มและแบบเบย์ ไฮเปอร์แบนด์และการรั่วไหลของชุดทดสอบ

เส้นทางแนะนำที่เกี่ยวข้องการปรับแต่งไฮเปอร์พารามิเตอร์
คำถาม 1 ของ 8

อะไรที่ทำให้ไฮเปอร์พารามิเตอร์แตกต่างจากพารามิเตอร์โมเดลทั่วไป

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. อะไรที่ทำให้ไฮเปอร์พารามิเตอร์แตกต่างจากพารามิเตอร์โมเดลทั่วไป
    • ไฮเปอร์พารามิเตอร์ได้รับการตั้งค่าก่อนการฝึกและไม่ได้เรียนรู้โดยตรงจากข้อมูล
    • ไฮเปอร์พารามิเตอร์จะเรียนรู้โดยอัตโนมัติโดยการไล่ระดับสีระหว่างการฝึก
    • ไฮเปอร์พารามิเตอร์มีอยู่ในโมเดลเชิงเส้นเท่านั้น
    • ไม่มีความแตกต่างที่แท้จริงระหว่างพวกเขา
  2. โดยทั่วไปข้อใดถือเป็นไฮเปอร์พารามิเตอร์เดียวที่มีผลกระทบมากที่สุดในการปรับแต่งการเรียนรู้เชิงลึก
    • เมล็ดสุ่ม
    • อัตราการเรียนรู้
    • รูปแบบไฟล์ของชุดข้อมูล
    • ชื่อของตัวแปรออปติไมเซอร์
  3. เหตุใดการค้นหาแบบสุ่มจึงมักจะมีประสิทธิภาพดีกว่าการค้นหาตารางสำหรับการปรับแต่งไฮเปอร์พารามิเตอร์
    • โดยจะพยายามรวมชุดค่าผสมทั้งหมดให้มากขึ้นเสมอ
    • ไม่จำเป็นต้องมีชุดการตรวจสอบความถูกต้อง
    • โดยจะสุ่มตัวอย่างพื้นที่ได้อย่างมีประสิทธิภาพมากขึ้น โดยค้นหาค่าที่ดีโดยไม่ครอบคลุมทุกจุดของตารางอย่างละเอียดถี่ถ้วน
    • โดยจะเรียนรู้น้ำหนักและไฮเปอร์พารามิเตอร์ในเวลาเดียวกัน
  4. การเพิ่มประสิทธิภาพแบบเบย์จะเลือกการกำหนดค่าไฮเปอร์พารามิเตอร์ใดที่จะลองต่อไปอย่างไร
    • มันจะเลือกการกำหนดค่าโดยสมบูรณ์โดยการสุ่มทุกครั้ง
    • มันจะเลือกการกำหนดค่าที่มีเลเยอร์มากที่สุดเสมอ
    • โดยจะคัดลอกการตั้งค่าของรุ่นทดลองใช้ก่อนหน้านี้ทุกประการ
    • สร้างแบบจำลองที่การตั้งค่าดูมีแนวโน้มและสร้างความสมดุลระหว่างการสำรวจความไม่แน่นอนกับการใช้ประโยชน์จากผลลัพธ์ที่ดี
  5. เหตุใดชุดการทดสอบสุดท้ายจึงต้องไม่ถูกแตะต้องในระหว่างการปรับไฮเปอร์พารามิเตอร์
    • เนื่องจากการปรับเทียบจะทำให้ข้อมูลรั่วไหลและให้การประมาณประสิทธิภาพที่แท้จริงเกินจริง
    • เนื่องจากชุดทดสอบใช้คำนวณตุ้มน้ำหนัก
    • เนื่องจากชุดทดสอบมีขนาดเล็กกว่าชุดตรวจสอบเสมอ
    • เนื่องจากไฮเปอร์พารามิเตอร์ถูกจัดเก็บไว้ในชุดทดสอบ
  6. รูปแบบการหยุดก่อนเวลาเช่น Hyperband แก้ปัญหาอะไรในการปรับแต่งไฮเปอร์พารามิเตอร์
    • มันขจัดความจำเป็นสำหรับอัตราการเรียนรู้
    • ช่วยประหยัดการประมวลผลโดยการฆ่าการทดลองที่มีประสิทธิภาพต่ำกว่าตั้งแต่เนิ่นๆ และมอบทรัพยากรให้กับการทดลองที่มีแนวโน้มดี
    • รับประกันว่าโมเดลจะไม่พอดีเกินไป
    • มันแปลงไฮเปอร์พารามิเตอร์เป็นพารามิเตอร์ที่เรียนรู้ได้
  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