แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการปรับแต่งไฮเปอร์พารามิเตอร์
ตรวจสอบไฮเปอร์พารามิเตอร์เทียบกับน้ำหนัก การค้นหาตามการตรวจสอบ วิธีการสุ่มและแบบเบย์ ไฮเปอร์แบนด์และการรั่วไหลของชุดทดสอบ
คำถาม 1 ของ 8
อะไรที่ทำให้ไฮเปอร์พารามิเตอร์แตกต่างจากพารามิเตอร์โมเดลทั่วไป
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรที่ทำให้ไฮเปอร์พารามิเตอร์แตกต่างจากพารามิเตอร์โมเดลทั่วไป
- ไฮเปอร์พารามิเตอร์ได้รับการตั้งค่าก่อนการฝึกและไม่ได้เรียนรู้โดยตรงจากข้อมูล
- ไฮเปอร์พารามิเตอร์จะเรียนรู้โดยอัตโนมัติโดยการไล่ระดับสีระหว่างการฝึก
- ไฮเปอร์พารามิเตอร์มีอยู่ในโมเดลเชิงเส้นเท่านั้น
- ไม่มีความแตกต่างที่แท้จริงระหว่างพวกเขา
- โดยทั่วไปข้อใดถือเป็นไฮเปอร์พารามิเตอร์เดียวที่มีผลกระทบมากที่สุดในการปรับแต่งการเรียนรู้เชิงลึก
- เมล็ดสุ่ม
- อัตราการเรียนรู้
- รูปแบบไฟล์ของชุดข้อมูล
- ชื่อของตัวแปรออปติไมเซอร์
- เหตุใดการค้นหาแบบสุ่มจึงมักจะมีประสิทธิภาพดีกว่าการค้นหาตารางสำหรับการปรับแต่งไฮเปอร์พารามิเตอร์
- โดยจะพยายามรวมชุดค่าผสมทั้งหมดให้มากขึ้นเสมอ
- ไม่จำเป็นต้องมีชุดการตรวจสอบความถูกต้อง
- โดยจะสุ่มตัวอย่างพื้นที่ได้อย่างมีประสิทธิภาพมากขึ้น โดยค้นหาค่าที่ดีโดยไม่ครอบคลุมทุกจุดของตารางอย่างละเอียดถี่ถ้วน
- โดยจะเรียนรู้น้ำหนักและไฮเปอร์พารามิเตอร์ในเวลาเดียวกัน
- การเพิ่มประสิทธิภาพแบบเบย์จะเลือกการกำหนดค่าไฮเปอร์พารามิเตอร์ใดที่จะลองต่อไปอย่างไร
- มันจะเลือกการกำหนดค่าโดยสมบูรณ์โดยการสุ่มทุกครั้ง
- มันจะเลือกการกำหนดค่าที่มีเลเยอร์มากที่สุดเสมอ
- โดยจะคัดลอกการตั้งค่าของรุ่นทดลองใช้ก่อนหน้านี้ทุกประการ
- สร้างแบบจำลองที่การตั้งค่าดูมีแนวโน้มและสร้างความสมดุลระหว่างการสำรวจความไม่แน่นอนกับการใช้ประโยชน์จากผลลัพธ์ที่ดี
- เหตุใดชุดการทดสอบสุดท้ายจึงต้องไม่ถูกแตะต้องในระหว่างการปรับไฮเปอร์พารามิเตอร์
- เนื่องจากการปรับเทียบจะทำให้ข้อมูลรั่วไหลและให้การประมาณประสิทธิภาพที่แท้จริงเกินจริง
- เนื่องจากชุดทดสอบใช้คำนวณตุ้มน้ำหนัก
- เนื่องจากชุดทดสอบมีขนาดเล็กกว่าชุดตรวจสอบเสมอ
- เนื่องจากไฮเปอร์พารามิเตอร์ถูกจัดเก็บไว้ในชุดทดสอบ
- รูปแบบการหยุดก่อนเวลาเช่น Hyperband แก้ปัญหาอะไรในการปรับแต่งไฮเปอร์พารามิเตอร์
- มันขจัดความจำเป็นสำหรับอัตราการเรียนรู้
- ช่วยประหยัดการประมวลผลโดยการฆ่าการทดลองที่มีประสิทธิภาพต่ำกว่าตั้งแต่เนิ่นๆ และมอบทรัพยากรให้กับการทดลองที่มีแนวโน้มดี
- รับประกันว่าโมเดลจะไม่พอดีเกินไป
- มันแปลงไฮเปอร์พารามิเตอร์เป็นพารามิเตอร์ที่เรียนรู้ได้
- 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
- 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