Örnek sorular
Ml Model Selection TuningZorluk 1
Makine öğrenmesinde bir 'hyperparameter'ı model parametresinden ayıran temel fark aşağıdakilerden hangisidir?
- aHyperparameter, eğitim sırasında veriden otomatik olarak öğrenilen bir değerdir.
- bHyperparameter yalnızca gradyan tabanlı optimizasyon kullanan modellerde var olur.
- cHer zaman eğitim başlamadan önce belirlenir (veriden asla öğrenilmez) ve öğrenme sürecinin nasıl işleyeceğini kontrol eder.✓
- dHyperparameter yalnızca loglama amaçlı tutulan, eğitime hiçbir etkisi olmayan bir değerdir.
Açıklama:Hyperparameter'lar (regularization gücü, ağaç sayısı, derinlik gibi) eğitimden önce seçilir ve öğrenme sürecini şekillendirir; parametreler (ağırlıklar, katsayılar, bölünmeler) ise eğitim sırasında veriden öğrenilir.
Ml Model Selection TuningZorluk 1
Hyperparameter tuning'in temel amacı nedir?
- aModelin sadece eğitim hatasını en aza indiren değil, görülmemiş veride iyi genelleme yapmasını sağlayacak değerleri bulmak.✓
- bModelin eğitim setini olabildiğince ezberlemesini sağlamak.
- cDoğruluktan bağımsız olarak modelin kullandığı özellik sayısını azaltmak.
- dModelin production'da asla yanlış tahmin yapmayacağını garanti etmek.
Açıklama:Tuning, modelin görmediği veri üzerindeki performansını (validation set ile tahmin edilir) artıracak hyperparameter ayarlarını arar; sadece eğitim setindeki uyumu optimize etmek overfitting'i teşvik eder.
Ml Model Selection TuningZorluk 2
Bir ekip her hyperparameter için küçük bir aday değer kümesi tanımlıyor ve bu değerlerin olası TÜM kombinasyonlarını deniyor. Bu hangi arama stratejisidir?
- aProduction geri bildirimini kullanarak tek seferde bir hyperparameter'ı sıralı biçimde ince ayar yapmak.
- bTanımlı bir aralıktan hyperparameter kombinasyonlarını rastgele ve eşit olasılıkla örnekleyen strateji.
- cÖnceki denemelerin sonucunu bir sonraki denenecek kombinasyonu seçmek için kullanan strateji.
- dÖnceden tanımlı bir ızgaradaki tüm aday kombinasyonları tek tek deneyen kapsamlı arama.✓
Açıklama:Her hyperparameter için önceden belirlenmiş aday değerlerin tüm kombinasyonlarını denemek kapsamlı (grid) arama fikridir; basittir ama hyperparameter/değer sayısı arttıkça maliyeti çarpımsal büyür.
Ml Model Selection TuningZorluk 2
Sabit bir ızgaradaki tüm kombinasyonları kapsamlı biçimde denemeye kıyasla, hyperparameter kombinasyonlarını tanımlı bir aralıktan rastgele örneklemenin yaygın olarak belirtilen avantajı nedir?
- aHer zaman matematiksel olarak en iyi kombinasyonu diğer yöntemlerden daha hızlı bulur.
- bSabit bir bütçeyle her hyperparameter için daha çeşitli değerleri kapsar.✓
- cArama sırasında validation set kullanma ihtiyacını tamamen ortadan kaldırır.
- dOlası tüm kombinasyonların er ya da geç deneneceğini garanti eder.
Açıklama:Rastgele örnekleme, sabit deneme bütçesini her hyperparameter için daha çok farklı değere yayar; pratikte genelde hyperparameter'ların sadece bir kısmı performansı güçlü şekilde etkilediğinden bu yararlıdır.
Ml Model Selection TuningZorluk 3
Bir tuning yaklaşımı, hyperparameter değerleri ile validation performansı arasındaki ilişkinin olasılıksal bir modelini kurar ve bir sonraki en umut verici kombinasyonu seçmek için bunu kullanır. Bu hangi fikri tarif eder?
- aÖnceden tanımlı bir ızgaradaki tüm kombinasyonları kapsamlı biçimde değerlendirmek.
- bKombinasyonları geçmiş sonuçlardan bağımsız olarak, eşit olasılıkla rastgele örneklemek.
- cBir sonraki denenecek kombinasyonu, körü körüne örneklemek yerine önceki deneme sonuçlarına göre seçmek.✓
- dYalnızca sezgiye dayanarak her seferinde tek bir hyperparameter'ı elle ayarlamak.
Açıklama:Bu, sıralı model tabanlı aramanın (genelde Bayesian optimizasyon olarak anılır) fikridir: geçmiş deneme sonuçlarını arama uzayını modellemek için kullanır ve umut verici bölgelere öncelik verir; bu da grid ya da saf rastgele aramaya göre daha az deneme gerektirebilir.
Ml Model Selection TuningZorluk 2
Bir ekip, birçok katsayının tam olarak sıfır olduğu, yani eğitim sırasında fiilen özellik seçimi yapan bir doğrusal model istiyor. Bu davranışıyla en çok bilinen regularization yaklaşımı hangisidir?
- aL2 regularization, çünkü büyük katsayıları küçüklerden çok daha agresif biçimde küçültür.
- bRegularization uygulamamak, çünkü ceza teriminin kaldırılması katsayıların tam sıfıra ulaşmasına yol açar.
- cKayıp fonksiyonunu değiştirmeden eğitim epoch sayısını artırmak.
- dL1 regularization, çünkü cezası daha az işe yarayan katsayıları tamamen sıfıra itebilir.✓
Açıklama:L1 (mutlak değer) regularization genelde seyrek (sparse) çözümler üretir, daha az işe yarayan özelliklerin katsayılarını tam sıfıra çeker; bu da bir tür yerleşik özellik seçimi gibi çalışır. L2 katsayıları küçültür ama nadiren tam sıfırlar.