Kuiz berkaitan panduan · Sederhana Tahap

Regresi Softmax untuk Kuiz Klasifikasi Berbilang Kelas

Terokai penormalan softmax, tafsiran kebarangkalian berbilang kelas, tingkah laku logit dan pilihan penilaian untuk prestasi khusus kelas.

Laluan panduan yang berkaitanRegresi Softmax Untuk Multiclass
soalan 1 daripada 8

Apakah kekangan yang dipenuhi oleh kebarangkalian softmax untuk satu kes merentas semua kelas yang dimodelkan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah kekangan yang dipenuhi oleh kebarangkalian softmax untuk satu kes merentas semua kelas yang dimodelkan?
    • Jumlahnya menjadi satu untuk setiap kes merentas kelas yang dimodelkan
    • Mereka menjumlahkan kepada satu hanya apabila kelas yang mendapat markah tertinggi adalah betul
    • Jumlah mereka sama dengan bilangan kelas
    • Setiap markah kelas ditukar secara bebas tanpa penyebut dikongsi
  2. Model tiga kelas mengembalikan kebarangkalian 0.6, 0.3 dan 0.1. Kelas yang manakah merupakan ramalan kebarangkalian atas biasa?
    • Kelas pertama, kerana ia mempunyai kebarangkalian terbesar
    • Kelas kedua, kerana ia mempunyai kebarangkalian terbesar
    • Kelas ketiga, kerana ia muncul terakhir
    • Tiada kelas boleh dipilih sehingga kebarangkalian ditukar kepada skor integer
  3. Mengapa menambah pemalar yang sama pada setiap logit kelas meninggalkan kebarangkalian softmax tidak berubah?
    • Menambah pemalar mengubah hanya penyebut
    • Menambah pemalar mengubah hanya pengangka
    • Faktor eksponen sepunya membatalkan antara pengangka dan penyebut
    • Softmax adalah invarian hanya apabila setiap logit didarab dengan pemalar yang sama
  4. Apakah yang dibayangkan oleh andaian keluaran jumlah kepada satu tentang persediaan sasaran?
    • Beberapa label mungkin benar bersama dan dimodelkan secara bebas
    • Kelas disusun dan jurang angkanya bermakna
    • Output mungkin menghilangkan normalisasi kebarangkalian merentas kelas
    • Setiap kes tergolong dalam salah satu model alternatif yang saling eksklusif
  5. Pengelas mempunyai ketepatan keseluruhan yang tinggi tetapi ingatan yang lemah untuk kategori yang jarang berlaku. Laporan manakah yang membantu mendedahkan perkara ini?
    • Ketepatan keseluruhan dan bilangan contoh dalam setiap kelas
    • Ingat kembali atau ketepatan setiap kelas bersama matriks kekeliruan
    • Hanya kehilangan latihan agregat merentas semua contoh
    • Jumlah bilangan pekali model
  6. Mengapa menyemak susunan label kelas yang dikaitkan dengan lajur kebarangkalian?
    • Lajur kebarangkalian sentiasa diisih daripada terbesar kepada terkecil
    • Setiap lajur mengikut susunan baris input-fail mentah
    • Setiap lajur kebarangkalian mesti dipadankan dengan label kelas yang didokumenkan
    • Lajur pertama sentiasa mewakili kelas positif
  7. Objektif latihan manakah yang biasa digunakan untuk regresi logistik multinomial?
    • Ralat kuasa dua antara ID kelas integer arbitrari
    • Objektif engsel pada dua markah teratas
    • Ralat sifar satu sebagai kehilangan latihan yang boleh dibezakan dengan lancar
    • Entropi silang multinomial atau kehilangan log
  8. Model meletakkan kelas yang betul dahulu tetapi selalunya memberikannya 0.99 apabila ia betul hanya kira-kira 0.7 masa. Apakah isu yang ada?
    • Penentukuran lemah: keyakinan melebihi kekerapan kejayaan yang diperhatikan
    • Ingatan buruk: kelas yang diramalkan bukanlah kelas yang paling kerap
    • Pelanggaran keeksklusifan bersama kerana keyakinan tinggi
    • Ralat jumlah kebarangkalian, walaupun semua kebarangkalian kelas berjumlah satu