Quiz lié à un guide · Moyen Niveau

Quiz sur la régression logistique

Vérifie les probabilités sigmoïdes et softmax, l'ajustement d'entropie croisée, l'interprétation des log-cotes, les seuils de décision et les choix de régularisation.

Chemins de guidage associésRégression logistique
Question 1 de 8

Malgré son nom, à quoi sert réellement la régression logistique ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Malgré son nom, à quoi sert réellement la régression logistique ?
    • Classement en catégories
    • Prédire les nombres continus
    • Clustering de données non étiquetées
    • Réduire les dimensions
  2. Que fait la fonction sigmoïde (logistique) dans le modèle ?
    • Il sélectionne le nombre de fonctionnalités
    • Il mappe n'importe quelle valeur à une probabilité comprise entre 0 et 1
    • Il supprime les valeurs aberrantes
    • Il regroupe les données
  3. Quelle fonction de perte la régression logistique minimise-t-elle pendant la formation ?
    • Erreur quadratique moyenne
    • Inertie
    • Perte de journal (entropie croisée)
    • Perte de charnière
  4. Pourquoi la régression logistique est-elle appréciée pour son interprétabilité ?
    • Il n'utilise aucun calcul
    • Il cache sa logique interne
    • Il prédit toujours 50 pour cent
    • Chaque poids montre comment une caractéristique modifie les log-cotes du résultat
  5. Comment la régression logistique transforme-t-elle généralement une probabilité en étiquette de classe ?
    • Il applique un seuil, souvent 0,5
    • Il choisit toujours la première classe
    • Il fait la moyenne des voisins
    • Il utilise une sélection aléatoire
  6. Comment la régression logistique se connecte-t-elle aux réseaux de neurones ?
    • Cela n'a aucun rapport avec eux
    • La couche sigmoïde ou softmax finale d'un réseau neuronal est essentiellement une régression logistique
    • Il remplace toutes les couches cachées
    • Il ne peut fonctionner que sur des 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