Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra hiệu chuẩn xác suất

Kiểm tra định nghĩa hiệu chuẩn, sơ đồ độ tin cậy, ECE, thang đo nhiệt độ và lý do tại sao chất lượng xác nhận lại khác với độ chính xác của phân loại.

Đường dẫn hướng dẫn liên quanHiệu chuẩn xác suất
Câu hỏi 1 của 8

Một mô hình được hiệu chỉnh tốt nếu, trong số các dự đoán được coi là có độ tin cậy 80%, sự kiện xảy ra:

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Một mô hình được hiệu chỉnh tốt nếu, trong số các dự đoán được coi là có độ tin cậy 80%, sự kiện xảy ra:
    • Khoảng 80% thời gian
    • 100% thời gian
    • Khoảng 20% thời gian
    • Đúng một lần
  2. Việc chia tỷ lệ nhiệt độ có tác dụng gì đối với đầu ra của mạng thần kinh?
    • Những thay đổi về lớp được dự đoán
    • Chia logit cho đại số vô hướng đã học trước softmax, điều chỉnh độ tin cậy
    • Thêm tiếng ồn vào nhãn đào tạo
    • Đào tạo lại mạng từ đầu
  3. Biểu đồ độ tin cậy có ý nghĩa gì?
    • Mất đào tạo so với kỷ nguyên
    • Kích thước mô hình so với độ chính xác
    • Xác suất dự đoán so với tần suất quan sát được
    • Tỷ lệ học tập so với kích thước lô
  4. Các biện pháp đo lỗi hiệu chuẩn dự kiến (ECE):
    • Độ chính xác hàng đầu của mô hình
    • Số lượng tham số trong mô hình
    • Sự khác biệt của độ dốc
    • Khoảng cách trung bình có trọng số giữa độ tin cậy và độ chính xác giữa các thùng
  5. Mạng lưới thần kinh sâu hiện đại thường được mô tả là:
    • Quá tự tin
    • thiếu tự tin
    • Hiệu chỉnh hoàn hảo theo mặc định
    • Không thể xuất xác suất
  6. Tại sao một mô hình có độ chính xác cao vẫn cần hiệu chuẩn?
    • Các mô hình chính xác luôn không có lỗi hiệu chuẩn
    • Độ chính xác và hiệu chuẩn là những đặc tính riêng biệt
    • Hiệu chuẩn chỉ quan trọng đối với hồi quy
    • Độ chính xác đảm bảo xác suất trung thực
  7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
    • The final test set using classification accuracy
    • Only the training labels without model outputs
    • A held-out validation set using negative log-likelihood
    • The model’s hidden weights using mean squared error
  8. Why can temperature scaling improve calibration without changing top-1 accuracy?
    • It changes the model’s predicted class labels randomly
    • It retrains the feature extractor
    • It replaces every logit with the same value
    • Dividing logits by a positive scalar changes confidence but preserves their ordering