แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการทำให้เป็นมาตรฐาน

ตรวจสอบเป้าหมายการทำให้เป็นมาตรฐาน บทลงโทษ L1 และ L2 การออกกลางคัน การหยุดก่อนกำหนด ความแรงของการลงโทษ และตัวอย่างตัวเลขของวัตถุประสงค์ที่ทำให้เป็นมาตรฐาน

เส้นทางแนะนำที่เกี่ยวข้องการทำให้เป็นมาตรฐาน
คำถาม 1 ของ 8

Why would a practitioner add regularization when a model fits training-specific noise?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. 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
  2. เทคนิคการทำให้เป็นมาตรฐานแบบใดมีแนวโน้มที่จะทำให้น้ำหนักบางส่วนกลายเป็นศูนย์พอดี โดยเลือกฟีเจอร์ได้อย่างมีประสิทธิภาพ
    • การทำให้เป็นมาตรฐาน L2 (การลดน้ำหนัก)
    • การทำให้เป็นมาตรฐาน L1
    • การทำให้เป็นมาตรฐานแบบแบตช์
    • เพิ่มอัตราการเรียนรู้
  3. การออกกลางคันทำให้โครงข่ายประสาทเทียมสม่ำเสมอระหว่างการฝึกอย่างไร
    • มันจะลบเลเยอร์ออกจากเครือข่ายอย่างถาวร
    • โดยจะเพิ่มน้ำหนักกำลังสองให้กับฟังก์ชันการสูญเสีย
    • มันจะสุ่มปิดเซลล์ประสาทในแต่ละขั้นตอน ดังนั้นจึงไม่สามารถปรับตัวร่วมกันได้
    • จะหยุดการฝึกเมื่อการสูญเสียการตรวจสอบความถูกต้องเพิ่มขึ้น
  4. ในการสูญเสียแบบปกติ 'ข้อผิดพลาด + แลมบ์ดา × การลงโทษ' การเพิ่มแลมบ์ดาทำอะไร
    • เสริมความแข็งแกร่งให้กับการลงโทษ โดยผลักดันโมเดลไปสู่การแก้ปัญหาที่ง่ายกว่า
    • ลดโทษลงและอนุญาตให้มีน้ำหนักมากขึ้น
    • ลบคำที่ผิดพลาดออกทั้งหมด
    • ไม่มีผลกับน้ำหนัก
  5. เหตุใดการหยุดก่อนกำหนดจึงถือเป็นรูปแบบหนึ่งของการทำให้เป็นมาตรฐาน?
    • เพราะมันเพิ่มโทษน้ำหนักให้กับการสูญเสีย
    • เพราะมันจะหยุดการฝึกก่อนที่โมเดลจะเริ่มเสียงรบกวนในข้อมูล
    • เนื่องจากจะเพิ่มความจุของโมเดลเมื่อเวลาผ่านไป
    • เพราะมันสุ่มเอาเซลล์ประสาทออกไป
  6. 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
  7. 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
  8. A regularized objective has prediction error two, lambda one-half, and penalty six. What is its total value?
    • แปด
    • สาม
    • ห้า
    • หนึ่ง