Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur logistischen Regression

Überprüft Sigmoid- und Softmax-Wahrscheinlichkeiten, Kreuzentropieanpassung, Log-Odds-Interpretation, Entscheidungsschwellenwerte und Regularisierungsoptionen.

Verwandte FührungspfadeLogistische Regression
Frage 1 von 8

Wofür wird die logistische Regression trotz ihres Namens eigentlich verwendet?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wofür wird die logistische Regression trotz ihres Namens eigentlich verwendet?
    • Einteilung in Kategorien
    • Kontinuierliche Zahlen vorhersagen
    • Clustering unbeschrifteter Daten
    • Abmessungen reduzieren
  2. Was macht die Sigmoidfunktion (Logistikfunktion) im Modell?
    • Es wählt die Anzahl der Funktionen aus
    • Es ordnet jeden Wert einer Wahrscheinlichkeit zwischen 0 und 1 zu
    • Es entfernt Ausreißer
    • Es bündelt die Daten
  3. Welche Verlustfunktion minimiert die logistische Regression während des Trainings?
    • Mittlerer quadratischer Fehler
    • Trägheit
    • Log-Verlust (Kreuzentropie)
    • Scharnierverlust
  4. Warum wird die logistische Regression aus Gründen der Interpretierbarkeit geschätzt?
    • Es verwendet keine Mathematik
    • Es verbirgt seine innere Logik
    • Es wird immer 50 Prozent vorhergesagt
    • Jede Gewichtung zeigt, wie ein Merkmal die logarithmischen Gewinnchancen des Ergebnisses verschiebt
  5. Wie wandelt die logistische Regression normalerweise eine Wahrscheinlichkeit in eine Klassenbezeichnung um?
    • Es gilt ein Schwellenwert, oft 0,5
    • Es wird immer die erste Klasse ausgewählt
    • Es durchschnittliche Nachbarn
    • Es verwendet eine zufällige Auswahl
  6. Wie hängt die logistische Regression mit neuronalen Netzen zusammen?
    • Es hat nichts mit ihnen zu tun
    • Die letzte Sigmoid- oder Softmax-Schicht eines neuronalen Netzes ist im Wesentlichen eine logistische Regression
    • Es ersetzt alle verborgenen Ebenen
    • Es kann nur auf GPUs ausgeführt werden
  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