گائیڈ سے منسلک کوئز · درمیانہ سطح
ریگولرائزیشن کوئز
ریگولرائزیشن کے اہداف، L1 اور L2 جرمانے، ڈراپ آؤٹ، جلد رکنے، جرمانے کی طاقت، اور ایک باقاعدہ مقصد کی عددی مثالیں چیک کریں۔
سوال 1 کی 8
Why would a practitioner add regularization when a model fits training-specific noise?
ہر سوال کا جائزہ لیں۔8 سوالات
جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔
- 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
- کونسی ریگولرائزیشن تکنیک کا سب سے زیادہ امکان ہے کہ کچھ وزن کو بالکل صفر تک لے جائے، مؤثر طریقے سے خصوصیات کا انتخاب کیا جائے؟
- L2 ریگولرائزیشن (وزن میں کمی)
- L1 ریگولرائزیشن
- بیچ نارملائزیشن
- سیکھنے کی شرح میں اضافہ
- تربیت کے دوران ڈراپ آؤٹ اعصابی نیٹ ورک کو کیسے باقاعدہ بناتا ہے؟
- یہ نیٹ ورک سے پرتوں کو مستقل طور پر حذف کر دیتا ہے۔
- یہ نقصان کے فنکشن میں مربع وزن کا اضافہ کرتا ہے۔
- یہ ہر قدم پر تصادفی طور پر نیوران کو بند کر دیتا ہے تاکہ وہ ہم آہنگ نہ ہو سکیں
- جب توثیق کا نقصان بڑھ جاتا ہے تو یہ تربیت روک دیتا ہے۔
- ریگولرائزڈ نقصان میں 'غلطی + لیمبڈا × پینلٹی'، بڑھتی ہوئی لیمبڈا کیا کرتی ہے؟
- ماڈل کو آسان حل کی طرف دھکیلتے ہوئے جرمانے کو مضبوط کرتا ہے۔
- جرمانے کو کمزور کرتا ہے اور بڑے وزن کی اجازت دیتا ہے۔
- غلطی کی اصطلاح کو مکمل طور پر ہٹا دیتا ہے۔
- وزن پر کوئی اثر نہیں ہے
- کیوں جلدی رکنے کو ریگولرائزیشن کی ایک شکل سمجھا جا سکتا ہے؟
- کیونکہ یہ نقصان میں وزن کا جرمانہ شامل کرتا ہے۔
- کیونکہ اس سے پہلے کہ ماڈل ڈیٹا میں شور مچانا شروع کر دے اس سے ٹریننگ رک جاتی ہے۔
- کیونکہ یہ وقت کے ساتھ ماڈل کی صلاحیت کو بڑھاتا ہے۔
- کیونکہ یہ بے ترتیب طور پر نیوران کو ہٹا دیتا ہے۔
- 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?
- آٹھ
- تین
- پانچ
- ایک