Questionário vinculado ao guia · Médio Nível

Questionário de regressão logística

Verifica probabilidades sigmóides e softmax, ajuste de entropia cruzada, interpretação de probabilidades logarítmicas, limites de decisão e opções de regularização.

Caminhos de guia relacionadosRegressão Logística
Pergunta 1 de 8

Apesar do nome, para que serve realmente a regressão logística?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Apesar do nome, para que serve realmente a regressão logística?
    • Classificação em categorias
    • Previsão de números contínuos
    • Agrupando dados não rotulados
    • Reduzindo dimensões
  2. O que a função sigmóide (logística) faz no modelo?
    • Ele escolhe o número de recursos
    • Ele mapeia qualquer valor para uma probabilidade entre 0 e 1
    • Remove valores discrepantes
    • Ele agrupa os dados
  3. Qual função de perda a regressão logística minimiza durante o treinamento?
    • Erro quadrático médio
    • Inércia
    • Perda de log (entropia cruzada)
    • Perda de dobradiça
  4. Por que a regressão logística é valorizada pela interpretabilidade?
    • Não usa matemática
    • Esconde sua lógica interna
    • Ele sempre prevê 50 por cento
    • Cada peso mostra como um recurso altera as probabilidades logarítmicas do resultado
  5. Como a regressão logística normalmente transforma uma probabilidade em um rótulo de classe?
    • Aplica um limite, geralmente 0,5
    • Ele sempre escolhe a primeira classe
    • Calcula a média dos vizinhos
    • Ele usa seleção aleatória
  6. Como a regressão logística se conecta às redes neurais?
    • Não tem relação com eles
    • A camada sigmóide ou softmax final de uma rede neural é essencialmente uma regressão logística
    • Ele substitui todas as camadas ocultas
    • Ele só pode rodar em GPUs
  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