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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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