लॉजिस्टिक रिग्रेशन क्विज़

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. इसके नाम के बावजूद, लॉजिस्टिक रिग्रेशन वास्तव में किसके लिए उपयोग किया जाता है?
   • श्रेणियों में वर्गीकरण
   • निरंतर संख्याओं की भविष्यवाणी करना
   • लेबल रहित डेटा को क्लस्टर करना
   • आयाम कम करना
2. मॉडल में सिग्मॉइड (लॉजिस्टिक) फ़ंक्शन क्या करता है?
   • यह सुविधाओं की संख्या चुनता है
   • यह 0 और 1 के बीच किसी भी मान को प्रायिकता में मैप करता है
   • यह आउटलेर्स को हटा देता है
   • यह डेटा को क्लस्टर करता है
3. प्रशिक्षण के दौरान लॉजिस्टिक रिग्रेशन किस हानि फ़ंक्शन को न्यूनतम करता है?
   • माध्य वर्ग त्रुटि
   • जड़ता
   • लॉग हानि (क्रॉस-एन्ट्रॉपी)
   • काज हानि
4. व्याख्यात्मकता के लिए लॉजिस्टिक रिग्रेशन को महत्व क्यों दिया जाता है?
   • इसमें किसी गणित का उपयोग नहीं होता
   • यह अपने आंतरिक तर्क को छुपाता है
   • यह हमेशा 50 प्रतिशत की भविष्यवाणी करता है
   • प्रत्येक भार दिखाता है कि कैसे एक सुविधा परिणाम के लॉग-ऑड्स को बदल देती है
5. लॉजिस्टिक रिग्रेशन आम तौर पर प्रायिकता को क्लास लेबल में कैसे बदल देता है?
   • यह एक सीमा लागू करता है, अक्सर 0.5
   • यह हमेशा प्रथम श्रेणी चुनता है
   • यह पड़ोसियों का औसत है
   • यह यादृच्छिक चयन का उपयोग करता है
6. लॉजिस्टिक रिग्रेशन तंत्रिका नेटवर्क से कैसे जुड़ता है?
   • इसका उनसे कोई संबंध नहीं है
   • एक तंत्रिका जाल की अंतिम सिग्मॉइड या सॉफ्टमैक्स परत अनिवार्य रूप से लॉजिस्टिक रिग्रेशन है
   • यह सभी छिपी हुई परतों को बदल देता है
   • यह केवल GPU पर ही चल सकता है
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