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.

Související vodicí cestyZtráta závěsu
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.

  1. Správně označený příklad má podepsaný margin 0,4. Jaká je jeho hinge loss?
    • 0,6
    • 0
    • 1.4
    • 0,4
  2. Při jakém podepsaném marginu se hinge loss poprvé stane nulovým?
    • Přesně nula pouze
    • Jedna nebo více
    • Jakákoli záporná hodnota
    • Na minus jedné nebo méně
  3. Případ s negativním označením získá skóre 0,5. Jaká je jeho podepsaná mez?
    • 1.5
    • 0,5
    • -0.5
    • -1.5
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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