Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Regresi Logistik

Menyemak kebarangkalian sigmoid dan softmax, pemasangan silang entropi, tafsiran log-odds, ambang keputusan dan pilihan regularisasi.

Laluan panduan yang berkaitanRegresi Logistik
soalan 1 daripada 8

Walaupun namanya, regresi logistik sebenarnya digunakan untuk apa?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Walaupun namanya, regresi logistik sebenarnya digunakan untuk apa?
    • Klasifikasi ke dalam kategori
    • Meramal nombor berterusan
    • Mengelompokkan data tidak berlabel
    • Mengurangkan dimensi
  2. Apakah fungsi sigmoid (logistik) lakukan dalam model?
    • Ia memilih bilangan ciri
    • Ia memetakan sebarang nilai kepada kebarangkalian antara 0 dan 1
    • Ia menghilangkan outliers
    • Ia mengelompokkan data
  3. Fungsi kehilangan manakah yang diminimumkan oleh regresi logistik semasa latihan?
    • Min ralat kuasa dua
    • Inersia
    • Kehilangan log (entropi silang)
    • Kehilangan engsel
  4. Mengapa regresi logistik dinilai untuk kebolehtafsiran?
    • Ia tidak menggunakan matematik
    • Ia menyembunyikan logik dalamannya
    • Ia sentiasa meramalkan 50 peratus
    • Setiap pemberat menunjukkan cara sesuatu ciri mengubah log-odds hasil
  5. Bagaimanakah regresi logistik biasanya mengubah kebarangkalian menjadi label kelas?
    • Ia menggunakan ambang, selalunya 0.5
    • Ia sentiasa memilih kelas pertama
    • Ia rata-rata jiran
    • Ia menggunakan pemilihan rawak
  6. Bagaimanakah regresi logistik menyambung ke rangkaian saraf?
    • Ia tidak berkaitan dengan mereka
    • Lapisan sigmoid atau softmax terakhir jaring saraf pada asasnya ialah regresi logistik
    • Ia menggantikan semua lapisan tersembunyi
    • Ia hanya boleh berjalan pada 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