Quiz collegato alla guida · Medio Livello
Quiz sulla regressione logistica
Controlla le probabilità sigmoide e softmax, l'adattamento all'entropia incrociata, l'interpretazione delle probabilità logaritmiche, le soglie decisionali e le scelte di regolarizzazione.
Domanda 1 di 8
Nonostante il nome, a cosa serve effettivamente la regressione logistica?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Nonostante il nome, a cosa serve effettivamente la regressione logistica?
- Classificazione in categorie
- Previsione di numeri continui
- Clustering di dati senza etichetta
- Riduzione delle dimensioni
- Cosa fa la funzione sigmoidea (logistica) nel modello?
- Seleziona il numero di funzionalità
- Associa qualsiasi valore a una probabilità compresa tra 0 e 1
- Rimuove i valori anomali
- Raggruppa i dati
- Quale funzione di perdita minimizza la regressione logistica durante l'addestramento?
- Errore quadratico medio
- Inerzia
- Perdita logaritmica (entropia incrociata)
- Perdita della cerniera
- Perché la regressione logistica è valutata per l'interpretabilità?
- Non usa matematica
- Nasconde la sua logica interna
- Prevede sempre il 50%.
- Ogni peso mostra come una caratteristica sposta le probabilità logaritmiche del risultato
- In che modo la regressione logistica trasforma tipicamente una probabilità in un'etichetta di classe?
- Applica una soglia, spesso 0,5
- Sceglie sempre la prima classe
- Fa la media dei vicini
- Utilizza la selezione casuale
- In che modo la regressione logistica si collega alle reti neurali?
- Non è correlato a loro
- Lo strato sigmoideo finale o softmax di una rete neurale è essenzialmente una regressione logistica
- Sostituisce tutti i livelli nascosti
- Può funzionare solo su GPU
- 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
- 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