ロジスティック回帰クイズ

クイズに答えると、答えと解説が表示されます。

1. ロジスティック回帰はその名前にもかかわらず、実際には何に使用されるのでしょうか?
   • カテゴリへの分類
   • 連続数の予測
   • ラベルのないデータのクラスタリング
   • 寸法の縮小
2. シグモイド (ロジスティック) 関数はモデル内で何をするのでしょうか?
   • 特徴の数を選択します
   • 任意の値を 0 から 1 までの確率にマッピングします。
   • 異常値を除去します
   • データをクラスター化します
3. トレーニング中にロジスティック回帰が最小化する損失関数はどれですか?
   • 平均二乗誤差
   • 慣性
   • 対数損失 (クロスエントロピー)
   • ヒンジの損失
4. ロジスティック回帰が解釈可能性の観点から評価されるのはなぜですか?
   • 数学は使用しません
   • 内部ロジックを隠します
   • 常に 50% を予測します
   • 各重みは、特徴が結果の対数オッズをどのようにシフトするかを示します。
5. ロジスティック回帰は通常どのようにして確率をクラス ラベルに変換するのでしょうか?
   • しきい値 (多くの場合 0.5) が適用されます。
   • 常にファーストクラスを選択します
   • 隣人を平均化する
   • ランダム選択を使用します
6. ロジスティック回帰はどのようにニューラル ネットワークに接続されるのでしょうか?
   • 彼らとは無関係です
   • ニューラル ネットワークの最終的なシグモイド層またはソフトマックス層は本質的にロジスティック回帰です
   • すべての非表示レイヤーを置き換えます
   • GPU でのみ実行可能
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