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.

Percorsi guida correlatiRegressione con lazo e rete elastica
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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