Quiz collegato alla guida · Medio Livello
Quiz sulla regressione del lazo e della rete elastica
Esamina il modo in cui le penalità L1 e L2 influiscono sui coefficienti, il motivo per cui il ridimensionamento e la convalida incrociata sono importanti e il modo in cui i predittori correlati influenzano la selezione.
Domanda 1 di 8
Un adattamento al lazo assegna un coefficiente esattamente pari a zero a una caratteristica. Cosa significa questo in questo modello montato?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Un adattamento al lazo assegna un coefficiente esattamente pari a zero a una caratteristica. Cosa significa questo in questo modello montato?
- The feature is excluded from its linear prediction
- The feature has no association in every reasonable model
- The feature was removed during data preprocessing
- The feature has no variation in the source population
- Which penalty combination defines elastic net in the guide?
- L1 penalty with alpha denoting only the L1 share
- L1 plus L2
- L1 penalty only, with no L2 component
- L2 penalty with L1 used only during feature scaling
- Due predittori altamente correlati si alternano come quello mantenuto dal lazo attraverso i campioni. Cosa mostra questo?
- Standardization guarantees stable selection whenever predictors are correlated
- Any change in selected features proves the test set leaked into cross-validation
- Their selection can be unstable despite similar predictions
- Lasso is guaranteed to assign identical coefficients across resamples
- Perché la scalabilità dovrebbe essere appresa all'interno di ogni piega di formazione sulla convalida incrociata?
- Fit the scaler once on all rows, then split for cross-validation
- Fit scaling parameters on validation rows only
- Scale after selecting the final penalty using test data
- To keep validation-fold information out of preprocessing
- Nella comune convenzione sul rapporto di miscelazione, quale punto finale corrisponde al lazo puro?
- The endpoint with all L2 penalty
- The endpoint with all L1 penalty
- The endpoint with no penalty
- The setting that removes the intercept
- Un set di dati ha predittori misurati in dollari e in piccole frazioni. Perché il ridimensionamento può essere importante per la regressione penalizzata?
- Feature scaling cannot affect penalty behavior when units change
- Rescaling the target is the only preprocessing relevant to coefficients
- The penalty acts on coefficient magnitudes, which depend on feature units
- Scaling after fitting leaves the selected coefficients unchanged
- When should a final test set be used if penalty settings are chosen by cross-validation?
- Only if training error is zero
- Repeatedly to choose each penalty value
- Before fitting the preprocessing pipeline
- After model selection, for a final evaluation
- Which statement about a zero lasso coefficient is appropriately cautious?
- It is a result of this penalized fit, not universal proof of no relationship
- It proves this predictor has no causal effect
- It will remain zero across populations and penalty settings
- It establishes that no nonlinear relationship exists