แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการสอบเทียบความน่าจะเป็น

ตรวจสอบคำจำกัดความของการสอบเทียบ แผนภาพความน่าเชื่อถือ ECE สเกลอุณหภูมิ และเหตุใดคุณภาพการตรวจสอบจึงแตกต่างจากความแม่นยำในการจำแนกประเภท

เส้นทางแนะนำที่เกี่ยวข้องการสอบเทียบความน่าจะเป็น
คำถาม 1 ของ 8

แบบจำลองได้รับการปรับเทียบอย่างดี หากในบรรดาการคาดการณ์พบว่ามีความมั่นใจ 80% ว่าเหตุการณ์เกิดขึ้น:

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. แบบจำลองได้รับการปรับเทียบอย่างดี หากในบรรดาการคาดการณ์พบว่ามีความมั่นใจ 80% ว่าเหตุการณ์เกิดขึ้น:
    • ประมาณ 80% ของเวลา
    • 100% ของเวลา
    • ประมาณ 20% ของเวลา
    • ครั้งเดียวเลย
  2. การปรับขนาดอุณหภูมิมีผลอย่างไรกับเอาต์พุตของโครงข่ายประสาทเทียม
    • เปลี่ยนคลาสที่ทำนายไว้
    • แบ่งบันทึกด้วยสเกลาร์ที่เรียนรู้ก่อนซอฟต์แม็กซ์ เพื่อปรับความเชื่อมั่น
    • เพิ่มเสียงรบกวนให้กับป้ายการฝึกอบรม
    • ฝึกเครือข่ายใหม่ตั้งแต่ต้น
  3. แผนภาพความน่าเชื่อถือแสดงอะไร?
    • การสูญเสียการฝึกเทียบกับยุค
    • ขนาดโมเดลเทียบกับความแม่นยำ
    • ความน่าจะเป็นที่คาดการณ์ไว้เทียบกับความถี่ที่สังเกตได้
    • อัตราการเรียนรู้เทียบกับขนาดแบทช์
  4. มาตรการวัดข้อผิดพลาดในการสอบเทียบที่คาดหวัง (ECE):
    • ความแม่นยำอันดับ 1 ของโมเดล
    • จำนวนพารามิเตอร์ในโมเดล
    • ความแปรปรวนของการไล่ระดับสี
    • ช่องว่างค่าเฉลี่ยถ่วงน้ำหนักระหว่างความมั่นใจและความแม่นยำในถังขยะ
  5. โครงข่ายประสาทเชิงลึกสมัยใหม่มักถูกอธิบายว่าเป็น:
    • มั่นใจมากเกินไป
    • ขาดความมั่นใจ
    • ปรับเทียบอย่างสมบูรณ์แบบตามค่าเริ่มต้น
    • ไม่สามารถส่งออกความน่าจะเป็นได้
  6. เหตุใดแบบจำลองที่มีความแม่นยำสูงจึงยังต้องมีการสอบเทียบ
    • โมเดลที่แม่นยำมักมีข้อผิดพลาดในการสอบเทียบเป็นศูนย์เสมอ
    • ความแม่นยำและการสอบเทียบเป็นคุณสมบัติที่แตกต่างกัน
    • การสอบเทียบมีความสำคัญต่อการถดถอยเท่านั้น
    • ความแม่นยำรับประกันความน่าจะเป็นที่ซื่อสัตย์
  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