Rehber bağlantılı sınav · Orta Seviye

Düzenleme Sınavı

Düzenlileştirme hedeflerini, L1 ve L2 cezalarını, bırakmayı, erken durdurmayı, ceza gücünü ve düzenli hale getirilmiş bir hedefin sayısal örneklerini kontrol edin.

İlgili kılavuz yollarıDüzenleme
Soru 1 arasında 8

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

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  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. Hangi düzenleme tekniğinin bazı ağırlıkları tam olarak sıfıra çekmesi ve özellikleri etkili bir şekilde seçmesi daha olasıdır?
    • L2 düzenlemesi (ağırlık azalması)
    • L1 düzenlemesi
    • Toplu normalleştirme
    • Öğrenme oranını arttırmak
  3. Okulu bırakma, eğitim sırasında sinir ağını nasıl düzenler?
    • Katmanları ağdan kalıcı olarak siler
    • Kayıp fonksiyonuna kare ağırlıkları ekler
    • Her adımda nöronları rastgele kapatıyor, böylece birlikte uyum sağlayamıyorlar
    • Doğrulama kaybı arttığında eğitimi durdurur
  4. Düzenlenmiş kayıp 'hata + lambda × ceza'da, artan lambda ne işe yarar?
    • Cezayı güçlendirerek modeli daha basit çözümlere doğru iter
    • Cezayı zayıflatır ve daha büyük ağırlıklara izin verir
    • Hata terimini tamamen kaldırır
    • Ağırlıklar üzerinde hiçbir etkisi yoktur
  5. Neden erken durdurma bir tür düzenleme olarak düşünülebilir?
    • Çünkü kayba ağırlık cezası da ekleniyor
    • Çünkü model verilere gürültüyü yerleştirmeye başlamadan önce eğitimi durdurur
    • Çünkü zamanla model kapasitesini arttırır
    • Çünkü nöronları rastgele uzaklaştırıyor
  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?
    • Sekiz
    • üç
    • Beş
    • Bir