แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการทำให้เป็นมาตรฐาน
ตรวจสอบเป้าหมายการทำให้เป็นมาตรฐาน บทลงโทษ L1 และ L2 การออกกลางคัน การหยุดก่อนกำหนด ความแรงของการลงโทษ และตัวอย่างตัวเลขของวัตถุประสงค์ที่ทำให้เป็นมาตรฐาน
คำถาม 1 ของ 8
Why would a practitioner add regularization when a model fits training-specific noise?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- Why would a practitioner add regularization when a model fits training-specific noise?
- To guarantee zero training error
- To remove the need for validation data
- To guarantee a faster GPU kernel
- To discourage overfitting and evaluate whether unseen-data performance improves
- เทคนิคการทำให้เป็นมาตรฐานแบบใดมีแนวโน้มที่จะทำให้น้ำหนักบางส่วนกลายเป็นศูนย์พอดี โดยเลือกฟีเจอร์ได้อย่างมีประสิทธิภาพ
- การทำให้เป็นมาตรฐาน L2 (การลดน้ำหนัก)
- การทำให้เป็นมาตรฐาน L1
- การทำให้เป็นมาตรฐานแบบแบตช์
- เพิ่มอัตราการเรียนรู้
- การออกกลางคันทำให้โครงข่ายประสาทเทียมสม่ำเสมอระหว่างการฝึกอย่างไร
- มันจะลบเลเยอร์ออกจากเครือข่ายอย่างถาวร
- โดยจะเพิ่มน้ำหนักกำลังสองให้กับฟังก์ชันการสูญเสีย
- มันจะสุ่มปิดเซลล์ประสาทในแต่ละขั้นตอน ดังนั้นจึงไม่สามารถปรับตัวร่วมกันได้
- จะหยุดการฝึกเมื่อการสูญเสียการตรวจสอบความถูกต้องเพิ่มขึ้น
- ในการสูญเสียแบบปกติ 'ข้อผิดพลาด + แลมบ์ดา × การลงโทษ' การเพิ่มแลมบ์ดาทำอะไร
- เสริมความแข็งแกร่งให้กับการลงโทษ โดยผลักดันโมเดลไปสู่การแก้ปัญหาที่ง่ายกว่า
- ลดโทษลงและอนุญาตให้มีน้ำหนักมากขึ้น
- ลบคำที่ผิดพลาดออกทั้งหมด
- ไม่มีผลกับน้ำหนัก
- เหตุใดการหยุดก่อนกำหนดจึงถือเป็นรูปแบบหนึ่งของการทำให้เป็นมาตรฐาน?
- เพราะมันเพิ่มโทษน้ำหนักให้กับการสูญเสีย
- เพราะมันจะหยุดการฝึกก่อนที่โมเดลจะเริ่มเสียงรบกวนในข้อมูล
- เนื่องจากจะเพิ่มความจุของโมเดลเมื่อเวลาผ่านไป
- เพราะมันสุ่มเอาเซลล์ประสาทออกไป
- What can happen when regularization is strengthened beyond what a task needs?
- Both training and test accuracy must improve
- The penalty becomes unrelated to the objective
- Validation becomes unnecessary
- The model can underfit useful structure even if variance decreases
- For a regularization example with weights minus two and one, what are the unscaled L1 and sum-of-squares L2 penalties?
- L1 is three and L2 is five
- L1 is minus one and L2 is three
- L1 is five and L2 is three
- Both penalties are minus two
- A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
- แปด
- สาม
- ห้า
- หนึ่ง