Gids-gekoppelde quiz · Middelmatig Niveau
Logistieke regressiequiz
Controleert sigmoïde- en softmax-kansen, cross-entropie-aanpassing, log-odds-interpretatie, beslissingsdrempels en regularisatiekeuzes.
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.
- Waar wordt logistieke regressie, ondanks de naam, eigenlijk voor gebruikt?
- Indeling in categorieën
- Voorspellen van continue getallen
- Ongelabelde gegevens clusteren
- Afmetingen verkleinen
- 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
- Welke verliesfunctie minimaliseert logistische regressie tijdens training?
- Gemiddelde kwadratische fout
- Traagheid
- Logverlies (cross-entropie)
- Scharnier verlies
- 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
- 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
- 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
- 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
- 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