গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
লজিস্টিক রিগ্রেশন কুইজ
সিগময়েড এবং সফটম্যাক্স সম্ভাবনা, ক্রস-এনট্রপি ফিটিং, লগ-অডস ব্যাখ্যা, সিদ্ধান্তের থ্রেশহোল্ড এবং নিয়মিতকরণের পছন্দগুলি পরীক্ষা করে।
প্রশ্ন 1 এর 8
এর নাম সত্ত্বেও, লজিস্টিক রিগ্রেশন আসলে কি জন্য ব্যবহৃত হয়?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- এর নাম সত্ত্বেও, লজিস্টিক রিগ্রেশন আসলে কি জন্য ব্যবহৃত হয়?
- শ্রেণীবিভাগে শ্রেণীবিভাগ
- অবিচ্ছিন্ন সংখ্যার পূর্বাভাস
- লেবেলবিহীন ডেটা ক্লাস্টারিং
- মাত্রা হ্রাস
- সিগময়েড (লজিস্টিক) ফাংশন মডেলটিতে কী করে?
- এটি বৈশিষ্ট্যের সংখ্যা বাছাই করে
- এটি 0 এবং 1 এর মধ্যে সম্ভাব্যতার সাথে যেকোন মান ম্যাপ করে
- এটা outliers অপসারণ
- এটি ডেটা ক্লাস্টার করে
- প্রশিক্ষণের সময় লজিস্টিক রিগ্রেশন কোন ক্ষতি ফাংশন কমিয়ে দেয়?
- বর্গাকার ত্রুটির গড়
- জড়তা
- লগ ক্ষতি (ক্রস-এনট্রপি)
- কবজা ক্ষতি
- কেন লজিস্টিক রিগ্রেশন ব্যাখ্যাযোগ্যতার জন্য মূল্যবান?
- এটি কোন গণিত ব্যবহার করে না
- এটি তার অভ্যন্তরীণ যুক্তি লুকিয়ে রাখে
- এটি সর্বদা 50 শতাংশ ভবিষ্যদ্বাণী করে
- প্রতিটি ওজন দেখায় কিভাবে একটি বৈশিষ্ট্য ফলাফলের লগ-অভিন্নতা পরিবর্তন করে
- কীভাবে লজিস্টিক রিগ্রেশন সাধারণত একটি সম্ভাব্যতাকে ক্লাস লেবেলে পরিণত করে?
- এটি একটি থ্রেশহোল্ড প্রযোজ্য, প্রায়ই 0.5
- এটি সর্বদা প্রথম শ্রেণীর পছন্দ করে
- এটা গড় প্রতিবেশীদের
- এটি র্যান্ডম নির্বাচন ব্যবহার করে
- লজিস্টিক রিগ্রেশন কিভাবে নিউরাল নেটওয়ার্কের সাথে সংযোগ করে?
- এটা তাদের সাথে সম্পর্কহীন
- একটি নিউরাল নেট এর চূড়ান্ত সিগমায়েড বা সফটম্যাক্স স্তরটি মূলত লজিস্টিক রিগ্রেশন
- এটি সমস্ত লুকানো স্তর প্রতিস্থাপন করে
- এটি শুধুমাত্র GPU তে চলতে পারে
- 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
- 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