Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Logisztikai regressziós kvíz

Checks sigmoid and softmax probabilities, cross-entropy fitting, log-odds interpretation, decision thresholds, and regularization choices.

Kapcsolódó útmutató utakLogisztikai regresszió
kérdés 1 -ból 8

A neve ellenére valójában mire használják a logisztikus regressziót?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. A neve ellenére valójában mire használják a logisztikus regressziót?
    • Kategóriákba sorolás
    • Folytonos számok előrejelzése
    • Címkézetlen adatok klaszterezése
    • Méretek csökkentése
  2. Mit csinál a szigmoid (logisztikai) függvény a modellben?
    • Kiválasztja a funkciók számát
    • Bármely értéket leképez 0 és 1 közötti valószínűségre
    • Eltávolítja a kiugró értékeket
    • Csoportosítja az adatokat
  3. Melyik veszteségfüggvényt minimalizálja a logisztikus regresszió edzés közben?
    • Átlagos négyzetes hiba
    • Tehetetlenség
    • Log veszteség (keresztentrópia)
    • Zsanér elvesztése
  4. Miért értékelik a logisztikus regressziót az értelmezhetőség szempontjából?
    • Nem használ matematikát
    • Elrejti belső logikáját
    • Mindig 50 százalékot jósol
    • Minden súlyozás megmutatja, hogy egy jellemző hogyan tolja el az eredmény logaritmusát
  5. Hogyan alakítja át a logisztikus regresszió a valószínűséget általában osztálycímkévé?
    • Egy küszöböt alkalmaz, gyakran 0,5
    • Mindig az első osztályt választja
    • Átlagos szomszédok
    • Véletlenszerű kiválasztást használ
  6. Hogyan kapcsolódik a logisztikus regresszió a neurális hálózatokhoz?
    • Ez nem kapcsolódik hozzájuk
    • A neurális háló végső szigmoid vagy softmax rétege lényegében logisztikus regresszió
    • Minden rejtett réteget helyettesít
    • Csak GPU-n tud futni
  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