Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Softmax regresszió többosztályos osztályozási kvízhez

Fedezze fel a softmax normalizálást, a többosztályú valószínűség-értelmezést, a logit viselkedést és az értékelési lehetőségeket az osztályspecifikus teljesítmény érdekében.

Kapcsolódó útmutató utakSoftmax regresszió több osztályhoz
kérdés 1 -ból 8

Milyen megszorításnak tesznek eleget a softmax valószínűségek egy esetre az összes modellezett osztályban?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen megszorításnak tesznek eleget a softmax valószínűségek egy esetre az összes modellezett osztályban?
    • A modellezett osztályok minden esetére egyet adnak
    • Csak akkor összegeznek egyet, ha a legmagasabb pontszámot elért osztály helyes
    • Összegük megegyezik az osztályok számával
    • Az egyes osztályok pontszámait egymástól függetlenül, közös nevező nélkül konvertálják
  2. A három osztályú modell 0,6, 0,3 és 0,1 valószínűségeket ad vissza. Melyik osztály a szokásos legnagyobb valószínűségű előrejelzés?
    • Az első osztály, mert ennek a legnagyobb a valószínűsége
    • A második osztály, mert ennek a legnagyobb a valószínűsége
    • A harmadik osztály, mert az utolsóként jelenik meg
    • Nem választható osztály mindaddig, amíg a valószínűségeket egész számokká nem konvertálják
  3. Miért nem változtatja meg a softmax valószínűségeket, ha minden osztály logithoz hozzáadja ugyanazt az állandót?
    • Egy állandó hozzáadása csak a nevezőt változtatja meg
    • Egy állandó hozzáadása csak a számlálót változtatja meg
    • A közös exponenciális tényező a számláló és a nevező között megszűnik
    • A Softmax csak akkor invariáns, ha minden logitot ugyanazzal a konstanssal szorozunk
  4. Mit jelent az összeg az egyhez kimeneti feltételezés a célbeállítással kapcsolatban?
    • Több címke együtt is igaz lehet, és egymástól függetlenül modellezhetők
    • Az osztályok rendezettek, számbeli hiányosságaik értelmesek
    • A kimenet elhagyhatja az osztályok közötti valószínűségi normalizálást
    • Minden eset a modellezett, egymást kizáró alternatívák valamelyikéhez tartozik
  5. Az osztályozók általános pontossága nagy, de ritka kategória esetében gyenge a visszahívása. Melyik jelentés segít ennek feltárásában?
    • Általános pontosság és a példák száma az egyes osztályokban
    • Osztályonkénti felidézés vagy precízió egy zavaros mátrix mellett
    • Csak az összesített edzési veszteség az összes példában
    • A modell együtthatók teljes száma
  6. Miért ellenőrizze a valószínűségi oszlopokhoz társított osztálycímke sorrendet?
    • A valószínűségi oszlopok mindig a legnagyobbtól a legkisebbig vannak rendezve
    • Minden oszlop a nyers bemeneti fájl sorsorrendjét követi
    • Minden valószínűségi oszlopot hozzá kell igazítani a dokumentált osztálycímkéhez
    • Az első oszlop mindig a pozitív osztályt jelöli
  7. Melyik képzési célt használják általában a multinomiális logisztikus regresszióhoz?
    • Négyzetes hiba tetszőleges egész osztályazonosítók között
    • Egy csuklós cél az első két pontszámon
    • Nulla-egy hiba, mint simán differenciálható edzésveszteség
    • Multinomiális keresztentrópia vagy log veszteség
  8. A modell a megfelelő osztályt rangsorolja az első helyre, de gyakran 0,99-et rendel hozzá, amikor csak körülbelül 0,7 esetben igaz. Milyen probléma áll fenn?
    • Rossz kalibráció: a megbízhatóság meghaladja a megfigyelt siker gyakoriságát
    • Rossz visszaemlékezés: a megjósolt osztály nem a leggyakoribb osztály
    • A kölcsönös kizárólagosság megsértése, mert magas a bizalom
    • Valószínűség-összeg hiba, még akkor is, ha az összes osztályvalószínűség összege egy