Cuestionario vinculado a una guía · Medio Nivel

Prueba de regresión logística

Comprueba las probabilidades sigmoideas y softmax, el ajuste de entropía cruzada, la interpretación de probabilidades logarítmicas, los umbrales de decisión y las opciones de regularización.

Rutas de guía relacionadasRegresión logística
Pregunta 1 de 8

A pesar de su nombre, ¿para qué se utiliza realmente la regresión logística?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. A pesar de su nombre, ¿para qué se utiliza realmente la regresión logística?
    • Clasificación en categorías
    • Predecir números continuos
    • Agrupación de datos sin etiquetar
    • Reducir dimensiones
  2. ¿Qué hace la función sigmoidea (logística) en el modelo?
    • Elige el número de funciones.
    • Asigna cualquier valor a una probabilidad entre 0 y 1.
    • Elimina valores atípicos
    • Agrupa los datos
  3. ¿Qué función de pérdida minimiza la regresión logística durante el entrenamiento?
    • Error cuadrático medio
    • Inercia
    • Pérdida de registro (entropía cruzada)
    • Pérdida de bisagra
  4. ¿Por qué se valora la regresión logística por su interpretabilidad?
    • No usa matemáticas
    • Oculta su lógica interna.
    • Siempre predice el 50 por ciento.
    • Cada ponderación muestra cómo una característica cambia las probabilidades logarítmicas del resultado.
  5. ¿Cómo suele convertir la regresión logística una probabilidad en una etiqueta de clase?
    • Aplica un umbral, a menudo 0,5
    • Siempre elige la primera clase.
    • Promedia vecinos
    • Utiliza selección aleatoria.
  6. ¿Cómo se conecta la regresión logística con las redes neuronales?
    • No tiene relación con ellos
    • La capa sigmoidea o softmax final de una red neuronal es esencialmente una regresión logística
    • Reemplaza todas las capas ocultas.
    • Solo puede ejecutarse en 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