Kvíz spojený s průvodcem · Střední úroveň

Logistický regresní kvíz

Kontroluje pravděpodobnost sigmoid a softmax, křížovou entropii, interpretaci log-odds, rozhodovací prahy a možnosti regularizace.

Související vodicí cestyLogistická regrese
Otázka 1 z 8

Navzdory svému názvu, k čemu vlastně logistická regrese slouží?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Navzdory svému názvu, k čemu vlastně logistická regrese slouží?
    • Zařazení do kategorií
    • Předpovídání spojitých čísel
    • Shlukování neoznačených dat
    • Zmenšení rozměrů
  2. Co dělá sigmoidní (logistická) funkce v modelu?
    • Vybírá počet funkcí
    • Mapuje jakoukoli hodnotu na pravděpodobnost mezi 0 a 1
    • Odstraňuje odlehlé hodnoty
    • Shlukuje data
  3. Kterou ztrátovou funkci minimalizuje logistická regrese během tréninku?
    • Střední kvadratická chyba
    • Setrvačnost
    • Ztráta logu (křížová entropie)
    • Ztráta závěsu
  4. Proč je logistická regrese ceněna pro interpretovatelnost?
    • Nepoužívá žádnou matematiku
    • Skrývá svou vnitřní logiku
    • Vždy předpovídá 50 procent
    • Každá váha ukazuje, jak funkce posouvá logaritmickou pravděpodobnost výsledku
  5. Jak logistická regrese obvykle změní pravděpodobnost na označení třídy?
    • Používá práh, často 0,5
    • Vždy vybírá první třídu
    • Průměruje sousedy
    • Používá náhodný výběr
  6. Jak se logistická regrese připojuje k neuronovým sítím?
    • Nesouvisí to s nimi
    • Finální sigmoid nebo softmax vrstva neuronové sítě je v podstatě logistická regrese
    • Nahradí všechny skryté vrstvy
    • Může běžet pouze na 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