引导式测验 · 硬 等级
高斯过程测验
检查 GP 函数分布、内核、后验不确定性、三次缩放、超参数调整和贝叶斯优化。
问题 1 的 8
高斯过程定义了什么的概率分布？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 高斯过程定义了什么的概率分布？
- 功能
- 仅单个数据点
- 离散类标签
- 神经网络权重
- 除了点估计之外，高斯过程在其选择的核函数和噪声假设下返回什么？
- 仅精确的参数向量
- 后验预测分布及其不确定性估计
- 在任何模型不匹配下都保证校准的区间
- 无方差的确定性标签
- 核（协方差函数）在 GP 中起什么作用？
- 它标记训练数据
- 它消除了对训练数据的需要
- 它对附近输入的输出相似程度进行编码
- 它设置学习率
- 为什么标准高斯过程难以处理非常大的数据集？
- 它们不能表示非线性函数
- 他们需要标记类
- 他们完全忽略训练数据
- 求核矩阵的逆需要大约 n 次方的时间
- 通常如何选择长度尺度等GP超参数？
- 通过最大化边际似然
- 通过随机猜测
- 通过最小化数据点的数量
- 它们总是固定的并且从未调整过
- 高斯过程是哪种流行技术的核心组件？
- 卷积图像分类
- 用于超参数调整的贝叶斯优化
- 文本标记化
- 通过深度网络的反向传播
- Which kernel is described in the guide as smoother than the Matérn alternative?
- 一元频率核
- 转移概率核
- RBF（平方指数）核
- Viterbi 核
- 为什么 GP 的预测不确定性在远离训练观测值时会变大？
- 模型会自动添加更多已观察的标签
- 均值函数变成神经网络
- 核矩阵变为负值
- 在所选协方差假设下，附近的数据对函数的约束更少