Quiz collegato alla guida · Medio Livello
Quiz sulla perdita della cerniera
Calcola la perdita di cerniera dai margini firmati e collega le violazioni dei margini agli obiettivi SVM e alle distinzioni dalla perdita logistica.
Domanda 1 di 8
A correctly labeled example has signed margin 0.4. What is its hinge loss?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- A correctly labeled example has signed margin 0.4. What is its hinge loss?
- 0,6
- 0
- 1.4
- 0.4
- A quale margine segnato la perdita della cerniera diventa inizialmente zero?
- Exactly zero only
- One or greater
- Any negative value
- At minus one or less
- Un caso con etichetta negativa riceve il punteggio 0,5. Qual è il suo margine firmato?
- 1.5
- 0,5
- -0.5
- -1.5
- Perché un punto correttamente classificato può avere una perdita di cerniera positiva?
- The point must be mislabeled
- Correct classification always means a negative score
- Hinge loss ignores all margins
- It can be on the correct side but inside the unit margin
- In cosa differisce la perdita logistica per un punto correttamente classificato ben oltre il margine?
- It is always exactly zero
- It continues to have a positive loss
- It becomes a class probability itself
- It is not defined for positive scores
- Quale compromesso oggettivo è comune in una SVM lineare?
- A clustering compactness term plus a tree-depth penalty
- A squared-error term on numeric class labels plus a seasonal term
- A weight-norm penalty balanced against hinge-loss violations
- A probability calibration penalty balanced against class frequency
- Why should a decision score not be reported directly as a calibrated probability?
- A decision score is already the observed event frequency
- Any score above zero is automatically a calibrated probability
- Every SVM estimates a generative distribution over classes
- Hinge loss does not itself calibrate decision scores as probabilities
- What should be checked when comparing two SVM implementations called linear classifiers?
- Whether the estimators use hinge or squared hinge and compatible regularization settings
- Whether identical training accuracy implies that their loss definitions are equivalent
- Whether raw loss values must match even when their loss definitions differ
- Whether each implementation reaches 100% training accuracy