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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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