Kvíz spojený s průvodcem · Střední úroveň
Kvíz ztráty pantů
Vypočítejte ztrátu závěsu z podepsaných marží a spojte porušení marží s cíli SVM a odlišnostmi od logistických ztrát.
Otázka 1 z 8
Správně označený příklad má podepsaný margin 0,4. Jaká je jeho hinge loss?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Správně označený příklad má podepsaný margin 0,4. Jaká je jeho hinge loss?
- 0,6
- 0
- 1.4
- 0,4
- Při jakém podepsaném marginu se hinge loss poprvé stane nulovým?
- Přesně nula pouze
- Jedna nebo více
- Jakákoli záporná hodnota
- Na minus jedné nebo méně
- Případ s negativním označením získá skóre 0,5. Jaká je jeho podepsaná mez?
- 1.5
- 0,5
- -0.5
- -1.5
- Proč může mít správně klasifikovaný bod kladný hinge loss?
- Bod musí být špatně označen
- Správná klasifikace vždy znamená záporné skóre
- Hinge loss ignoruje všechny mezery
- Může být na správné straně, ale uvnitř jednotkové mezery
- Jak se logistický loss liší u správně klasifikovaného bodu daleko za mezí?
- Je vždy přesně nula
- Pokračuje v kladném ztrátovém skóre
- Stává se samostatnou pravděpodobností třídy
- Není definován pro kladná skóre
- Jaký kompromis cílů je běžný u lineárního SVM?
- A clustering compactness term plus a tree-depth penalty
- A squared-error term on numeric class labels plus a seasonal term
- Penalizace normy vah vyvážená proti porušením hinge loss
- Penalizace kalibrace pravděpodobnosti vyvážená proti četnosti tříd
- Proč by rozhodovací skóre nemělo být přímo uváděno jako kalibrovaná pravděpodobnost?
- Rozhodovací skóre je již pozorovaná frekvence události
- Jakékoli skóre nad nulou je automaticky kalibrovanou pravděpodobností
- Každé SVM odhaduje generativní rozdělení nad třídami
- Hinge loss sám o sobě nekalibruje rozhodovací skóre jako pravděpodobnosti
- Co by mělo být zkontrolováno při porovnávání dvou implementací SVM nazývaných lineární klasifikátory?
- Zda odhadovače používají hinge nebo čtvercový hinge a kompatibilní nastavení regularizace
- Zda identická tréninková přesnost implikuje, že jejich definice ztráty jsou ekvivalentní
- Zda se musí shodovat surové hodnoty ztráty i když se jejich definice ztráty liší
- Ať každá implementace dosáhne 100 % tréninkové přesnosti