로지스틱 회귀 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 이름에도 불구하고 로지스틱 회귀는 실제로 무엇에 사용됩니까?
   • 카테고리로 분류
   • 연속 숫자 예측
   • 레이블이 없는 데이터 클러스터링
   • 차원 축소
2. 모델에서 시그모이드(로지스틱) 함수는 어떤 역할을 합니까?
   • 기능의 수를 선택합니다.
   • 모든 값을 0과 1 사이의 확률에 매핑합니다.
   • 이상값을 제거합니다.
   • 데이터를 클러스터링합니다.
3. 훈련 중에 로지스틱 회귀가 최소화되는 손실 함수는 무엇입니까?
   • 평균 제곱 오차
   • 관성
   • 로그 손실(교차 엔트로피)
   • 힌지 손실
4. 해석 가능성 측면에서 로지스틱 회귀가 중요한 이유는 무엇입니까?
   • 수학을 사용하지 않습니다.
   • 내부 논리를 숨깁니다.
   • 항상 50%를 예측합니다.
   • 각 가중치는 특성이 결과의 로그 확률을 어떻게 이동하는지 보여줍니다.
5. 로지스틱 회귀는 일반적으로 어떻게 확률을 클래스 레이블로 변환합니까?
   • 임계값(종종 0.5)을 적용합니다.
   • 항상 일등석을 골라요
   • 이웃을 평균화합니다
   • 무작위 선택을 사용합니다.
6. 로지스틱 회귀는 신경망에 어떻게 연결됩니까?
   • 그분들하고는 관련이 없습니다
   • 신경망의 최종 시그모이드 또는 소프트맥스 레이어는 본질적으로 로지스틱 회귀입니다.
   • 모든 숨겨진 레이어를 대체합니다.
   • GPU에서만 실행 가능
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