Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Logisztikai regressziós kvíz
Checks sigmoid and softmax probabilities, cross-entropy fitting, log-odds interpretation, decision thresholds, and regularization choices.
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.
- A neve ellenére valójában mire használják a logisztikus regressziót?
- Kategóriákba sorolás
- Folytonos számok előrejelzése
- Címkézetlen adatok klaszterezése
- Méretek csökkentése
- 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
- Melyik veszteségfüggvényt minimalizálja a logisztikus regresszió edzés közben?
- Átlagos négyzetes hiba
- Tehetetlenség
- Log veszteség (keresztentrópia)
- Zsanér elvesztése
- 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
- 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
- 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
- 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
- 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