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.

Percorsi guida correlatiRegressione logistica
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.

  1. 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
  2. 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
  3. Quale funzione di perdita minimizza la regressione logistica durante l'addestramento?
    • Errore quadratico medio
    • Inerzia
    • Perdita logaritmica (entropia incrociata)
    • Perdita della cerniera
  4. 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
  5. 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
  6. 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
  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