Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący regresji logistycznej

Sprawdza prawdopodobieństwa sigmoidalne i softmax, dopasowanie entropii krzyżowej, interpretację log-szans, progi decyzyjne i opcje regularyzacji.

Powiązane ścieżki prowadząceRegresja logistyczna
Pytanie 1 z 8

Pomimo swojej nazwy, do czego właściwie służy regresja logistyczna?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Pomimo swojej nazwy, do czego właściwie służy regresja logistyczna?
    • Klasyfikacja w kategoriach
    • Przewidywanie liczb ciągłych
    • Grupowanie danych bez etykiet
    • Zmniejszenie wymiarów
  2. Do czego służy funkcja sigmoidalna (logistyczna) w modelu?
    • Wybiera liczbę funkcji
    • Odwzorowuje dowolną wartość na prawdopodobieństwo z zakresu od 0 do 1
    • Usuwa wartości odstające
    • Grupuje dane
  3. Którą funkcję straty minimalizuje regresja logistyczna podczas treningu?
    • Średni błąd kwadratowy
    • Bezwładność
    • Utrata logu (entropia krzyżowa)
    • Utrata zawiasu
  4. Dlaczego regresję logistyczną ceni się za możliwość interpretacji?
    • Nie używa matematyki
    • Ukrywa swoją wewnętrzną logikę
    • Zawsze przewiduje 50 procent
    • Każda waga pokazuje, jak dana funkcja zmienia log-szansę wyniku
  5. W jaki sposób regresja logistyczna zazwyczaj zamienia prawdopodobieństwo w etykietę klasy?
    • Stosuje próg, często 0,5
    • Zawsze wybiera pierwszą klasę
    • Średnio sąsiadów
    • Wykorzystuje wybór losowy
  6. W jaki sposób regresja logistyczna łączy się z sieciami neuronowymi?
    • To nie jest z nimi powiązane
    • Ostatnia warstwa sigmoidalna lub softmax sieci neuronowej jest zasadniczo regresją logistyczną
    • Zastępuje wszystkie ukryte warstwy
    • Może działać tylko na procesorach graficznych
  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