Викторина, связанная с руководством · Средний Уровень

Тест на логистическую регрессию

Проверяет сигмовидную и softmax вероятности, аппроксимацию перекрестной энтропии, интерпретацию логарифмических шансов, пороги принятия решений и варианты регуляризации.

Связанные направляющие путиЛогистическая регрессия
Вопрос 1 из 8

Несмотря на название, для чего на самом деле используется логистическая регрессия?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Несмотря на название, для чего на самом деле используется логистическая регрессия?
    • Классификация по категориям
    • Прогнозирование непрерывных чисел
    • Кластеризация немаркированных данных
    • Уменьшение размеров
  2. Что делает сигмовидная (логистическая) функция в модели?
    • Он выбирает количество функций
    • Он сопоставляет любое значение с вероятностью от 0 до 1.
    • Он удаляет выбросы
    • Он кластеризует данные
  3. Какую функцию потерь минимизирует логистическая регрессия во время обучения?
    • Среднеквадратическая ошибка
    • Инерция
    • Потеря журнала (перекрестная энтропия)
    • Потеря шарнира
  4. Почему логистическую регрессию ценят за интерпретируемость?
    • Он не использует математику
    • Он скрывает свою внутреннюю логику
    • Он всегда предсказывает 50 процентов
    • Каждый вес показывает, как функция меняет логарифмические шансы результата.
  5. Как логистическая регрессия обычно превращает вероятность в метку класса?
    • Он применяет порог, часто 0,5.
    • Он всегда выбирает первый класс
    • Он усредняет соседей
    • Он использует случайный выбор
  6. Как логистическая регрессия связана с нейронными сетями?
    • Это не имеет к ним отношения
    • Последний сигмовидный или softmax-слой нейронной сети, по сути, представляет собой логистическую регрессию.
    • Он заменяет все скрытые слои
    • Он может работать только на графических процессорах
  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