Gids-gekoppelde quiz · Middelmatig Niveau

Logistieke regressiequiz

Controleert sigmoïde- en softmax-kansen, cross-entropie-aanpassing, log-odds-interpretatie, beslissingsdrempels en regularisatiekeuzes.

Gerelateerde gidspadenLogistieke regressie
Vraag 1 van 8

Waar wordt logistieke regressie, ondanks de naam, eigenlijk voor gebruikt?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waar wordt logistieke regressie, ondanks de naam, eigenlijk voor gebruikt?
    • Indeling in categorieën
    • Voorspellen van continue getallen
    • Ongelabelde gegevens clusteren
    • Afmetingen verkleinen
  2. Wat doet de sigmoïde (logistische) functie in het model?
    • Het kiest het aantal functies
    • Het wijst elke waarde toe aan een waarschijnlijkheid tussen 0 en 1
    • Het verwijdert uitschieters
    • Het clustert de gegevens
  3. Welke verliesfunctie minimaliseert logistische regressie tijdens training?
    • Gemiddelde kwadratische fout
    • Traagheid
    • Logverlies (cross-entropie)
    • Scharnier verlies
  4. Waarom wordt logistieke regressie gewaardeerd vanwege de interpreteerbaarheid?
    • Er wordt geen wiskunde gebruikt
    • Het verbergt zijn interne logica
    • Het voorspelt altijd 50 procent
    • Elk gewicht laat zien hoe een kenmerk de log-odds van de uitkomst verschuift
  5. Hoe verandert logistieke regressie een waarschijnlijkheid doorgaans in een klassenlabel?
    • Er wordt een drempel gehanteerd, vaak 0,5
    • Er wordt altijd de eerste klasse gekozen
    • Het is gemiddeld buren
    • Er wordt gebruik gemaakt van willekeurige selectie
  6. Hoe sluit logistische regressie aan op neurale netwerken?
    • Het heeft niets met hen te maken
    • De laatste sigmoïde- of softmax-laag van een neuraal net is in wezen logistische regressie
    • Het vervangt alle verborgen lagen
    • Het kan alleen op GPU's draaien
  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