Kuis Regresi Logistik

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Terlepas dari namanya, sebenarnya regresi logistik digunakan untuk apa?
   • Klasifikasi ke dalam kategori
   • Memprediksi angka terus menerus
   • Mengelompokkan data yang tidak berlabel
   • Mengurangi dimensi
2. Apa fungsi sigmoid (logistik) dalam model?
   • Ini memilih jumlah fitur
   • Ini memetakan nilai apa pun ke probabilitas antara 0 dan 1
   • Ini menghilangkan outlier
   • Ini mengelompokkan data
3. Fungsi kerugian manakah yang diminimalkan oleh regresi logistik selama pelatihan?
   • Kesalahan kuadrat rata-rata
   • Inersia
   • Kehilangan log (lintas-entropi)
   • Kehilangan engsel
4. Mengapa regresi logistik dihargai karena kemampuan interpretasinya?
   • Itu tidak menggunakan matematika
   • Itu menyembunyikan logika internalnya
   • Itu selalu memprediksi 50 persen
   • Setiap bobot menunjukkan bagaimana suatu fitur mengubah log-odds dari hasilnya
5. Bagaimana regresi logistik biasanya mengubah probabilitas menjadi label kelas?
   • Ini menerapkan ambang batas, seringkali 0,5
   • Itu selalu memilih kelas pertama
   • Itu rata-rata tetangga
   • Ini menggunakan seleksi acak
6. Bagaimana regresi logistik terhubung ke jaringan saraf?
   • Itu tidak ada hubungannya dengan mereka
   • Lapisan sigmoid atau softmax akhir jaringan saraf pada dasarnya adalah regresi logistik
   • Ini menggantikan semua lapisan tersembunyi
   • Itu hanya dapat berjalan di GPU
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