Kvíz spojený s průvodcem · Střední úroveň
Logistický regresní kvíz
Kontroluje pravděpodobnost sigmoid a softmax, křížovou entropii, interpretaci log-odds, rozhodovací prahy a možnosti regularizace.
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.
- Navzdory svému názvu, k čemu vlastně logistická regrese slouží?
- Zařazení do kategorií
- Předpovídání spojitých čísel
- Shlukování neoznačených dat
- Zmenšení rozměrů
- Co dělá sigmoidní (logistická) funkce v modelu?
- Vybírá počet funkcí
- Mapuje jakoukoli hodnotu na pravděpodobnost mezi 0 a 1
- Odstraňuje odlehlé hodnoty
- Shlukuje data
- Kterou ztrátovou funkci minimalizuje logistická regrese během tréninku?
- Střední kvadratická chyba
- Setrvačnost
- Ztráta logu (křížová entropie)
- Ztráta závěsu
- 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
- Jak logistická regrese obvykle změní pravděpodobnost na označení třídy?
- Používá práh, často 0,5
- Vždy vybírá první třídu
- Průměruje sousedy
- Používá náhodný výběr
- 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
- 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