Вікторина, пов’язана з посібником · Середній Рівень
Вікторина з упорядкування
Перевірте цілі регулярізації, покарання L1 і L2, вибуття, ранню зупинку, силу штрафу та числові приклади регуляризованої цілі.
Питання 1 з 8
Why would a practitioner add regularization when a model fits training-specific noise?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- 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
- Яка методика регуляризації, найімовірніше, приведе деякі ваги до нуля, ефективно вибираючи функції?
- Регулярізація L2 (розпад ваги)
- Регулярізація L1
- Пакетна нормалізація
- Підвищення швидкості навчання
- Як відсівання регулярує нейронну мережу під час навчання?
- Він остаточно видаляє шари з мережі
- Він додає квадрати ваг до функції втрат
- Він випадково вимикає нейрони на кожному кроці, щоб вони не могли спільно адаптуватися
- Він припиняє навчання, коли втрати перевірки зростають
- У регуляризованих втратах «помилка + лямбда × штраф», що робить збільшення лямбда?
- Посилює штраф, штовхаючи модель до більш простих рішень
- Послаблює покарання та дозволяє збільшувати вагу
- Повністю видаляє термін помилки
- Не впливає на вагу
- Чому ранню зупинку можна вважати формою регулярізації?
- Оскільки це додає до втрати ваги штраф
- Оскільки це зупиняє навчання до того, як модель почне підганяти шум у даних
- Тому що це збільшує ємність моделі з часом
- Тому що він довільно видаляє нейрони
- 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?
- вісім
- три
- П'ять
- Один