Тест, свързан с ръководство · Среден Ниво

Тест за логистична регресия

Проверява сигмоида и софтмакс вероятности, кръстосано ентропийно приспособяване, интерпретация на логаритмични коефициенти, прагове за вземане на решения и избори за регулиране.

Свързани ръководни пътекиЛогистична регресия
Въпрос 1 на 8

Въпреки името си, за какво всъщност се използва логистичната регресия?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Въпреки името си, за какво всъщност се използва логистичната регресия?
    • Класификация по категории
    • Прогнозиране на непрекъснати числа
    • Групиране на немаркирани данни
    • Намаляване на размерите
  2. Какво прави сигмоидната (логистична) функция в модела?
    • Той избира броя на функциите
    • Той съпоставя всяка стойност с вероятност между 0 и 1
    • Той премахва отклоненията
    • Той групира данните
  3. Коя функция на загуба минимизира логистичната регресия по време на обучение?
    • Средна квадратна грешка
    • Инерция
    • Log загуба (кръстосана ентропия)
    • Загуба на панта
  4. Защо логистичната регресия се оценява за интерпретируемост?
    • Не използва математика
    • Крие вътрешната си логика
    • Винаги предвижда 50 процента
    • Всяко тегло показва как функция променя логаритмичните коефициенти на резултата
  5. Как логистичната регресия обикновено превръща вероятността в етикет на клас?
    • Той прилага праг, често 0,5
    • Винаги избира първия клас
    • Осреднява съседите
    • Той използва случаен избор
  6. Как логистичната регресия се свързва с невронните мрежи?
    • Не е свързано с тях
    • Последният сигмоиден или софтмакс слой на невронната мрежа е по същество логистична регресия
    • Той замества всички скрити слоеве
    • Може да работи само на GPU
  7. What does convexity tell us about the binary logistic-regression negative log-likelihood?
    • It guarantees exactly one finite solution for every dataset
    • It makes the model immune to mislabeled examples
    • A finite local minimum is global, but convexity alone does not guarantee uniqueness
    • It means the decision boundary must be nonlinear
  8. What can complete separation imply for unregularized logistic-regression maximum likelihood?
    • The model must misclassify every training example
    • The sigmoid stops mapping scores to probabilities
    • The optimizer automatically adds regularization
    • There may be no finite maximum-likelihood estimate because coefficients can grow without bound