Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Logistic Regression

Ελέγχει τις πιθανότητες σιγμοειδούς και softmax, προσαρμογή διασταυρούμενης εντροπίας, ερμηνεία λογαριασμών πιθανοτήτων, κατώφλια απόφασης και επιλογές τακτοποίησης.

Σχετικές διαδρομές οδηγώνLogistic Regression
Ερώτηση 1 του 8

Παρά το όνομά της, σε τι χρησιμοποιείται στην πραγματικότητα η λογιστική παλινδρόμηση;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Παρά το όνομά της, σε τι χρησιμοποιείται στην πραγματικότητα η λογιστική παλινδρόμηση;
    • Ταξινόμηση σε κατηγορίες
    • Πρόβλεψη συνεχών αριθμών
    • Ομαδοποίηση δεδομένων χωρίς ετικέτα
    • Μείωση διαστάσεων
  2. Τι κάνει η σιγμοειδής (λογιστική) συνάρτηση στο μοντέλο;
    • Επιλέγει τον αριθμό των χαρακτηριστικών
    • Αντιστοιχίζει οποιαδήποτε τιμή σε μια πιθανότητα μεταξύ 0 και 1
    • Αφαιρεί τα ακραία σημεία
    • Συγκεντρώνει τα δεδομένα
  3. Ποια συνάρτηση απώλειας ελαχιστοποιεί η λογιστική παλινδρόμηση κατά τη διάρκεια της προπόνησης;
    • Μέσο τετράγωνο σφάλμα
    • Αδράνεια
    • Απώλεια καταγραφής (διασταυρούμενη εντροπία)
    • Απώλεια άρθρωσης
  4. Γιατί η λογιστική παλινδρόμηση εκτιμάται ως προς την ερμηνευτικότητα;
    • Δεν χρησιμοποιεί μαθηματικά
    • Κρύβει την εσωτερική του λογική
    • Προβλέπει πάντα το 50 τοις εκατό
    • Κάθε βάρος δείχνει πώς ένα χαρακτηριστικό μετατοπίζει τις πιθανότητες καταγραφής του αποτελέσματος
  5. Πώς η λογιστική παλινδρόμηση μετατρέπει συνήθως μια πιθανότητα σε ετικέτα κλάσης;
    • Εφαρμόζει ένα όριο, συχνά 0,5
    • Διαλέγει πάντα την πρώτη κατηγορία
    • Είναι κατά μέσο όρο γείτονες
    • Χρησιμοποιεί τυχαία επιλογή
  6. Πώς συνδέεται η λογιστική παλινδρόμηση με τα νευρωνικά δίκτυα;
    • Δεν έχει σχέση με αυτούς
    • Το τελικό σιγμοειδές ή softmax στρώμα ενός νευρικού δικτύου είναι ουσιαστικά λογιστική παλινδρόμηση
    • Αντικαθιστά όλα τα κρυφά επίπεδα
    • Μπορεί να τρέξει μόνο σε 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