Викторина, связанная с руководством · Средний Уровень
Регрессия Softmax для викторины по многоклассовой классификации
Изучите нормализацию softmax, многоклассовую вероятностную интерпретацию, поведение логита и варианты оценки производительности для конкретного класса.
Вопрос 1 из 8
Какому ограничению удовлетворяют вероятности softmax для одного случая во всех смоделированных классах?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какому ограничению удовлетворяют вероятности softmax для одного случая во всех смоделированных классах?
- В сумме они дают единицу для каждого случая в моделируемых классах.
- Их сумма равна единице только в том случае, если класс с наибольшим количеством баллов указан правильно.
- Их сумма равна числу классов
- Оценка каждого класса конвертируется независимо, без общего знаменателя.
- Трехклассовая модель возвращает вероятности 0,6, 0,3 и 0,1. К какому классу относится обычное предсказание с максимальной вероятностью?
- Первый класс, поскольку он имеет наибольшую вероятность
- Второй класс, поскольку имеет наибольшую вероятность
- Третий класс, потому что он появляется последним
- Ни один класс не может быть выбран до тех пор, пока вероятности не будут преобразованы в целые числа.
- Почему добавление одной и той же константы к каждому логиту класса оставляет вероятности softmax неизменными?
- Добавление константы меняет только знаменатель
- Добавление константы меняет только числитель
- Общий экспоненциальный множитель сокращается между числителем и знаменателем.
- Softmax инвариантен только тогда, когда каждый логит умножается на одну и ту же константу.
- Что означает предположение о выходе суммы к одному в отношении целевой установки?
- Несколько ярлыков могут быть истинными вместе и моделируются независимо.
- Классы упорядочены, и их числовые пробелы имеют смысл.
- В выходных данных может отсутствовать нормализация вероятности между классами.
- Каждый случай принадлежит одной из смоделированных взаимоисключающих альтернатив.
- Классификатор имеет высокую общую точность, но слабую полноту для редкой категории. Какой отчет поможет раскрыть это?
- Общая точность и количество примеров в каждом классе
- Отзыв или точность для каждого класса вместе с матрицей путаницы
- Только совокупные потери обучения во всех примерах.
- Общее количество коэффициентов модели
- Зачем проверять порядок меток классов, связанный со столбцами вероятности?
- Столбцы вероятностей всегда сортируются от наибольшего к наименьшему.
- Каждый столбец соответствует порядку строк исходного входного файла.
- Каждый столбец вероятности должен быть сопоставлен с его документированной меткой класса.
- Первый столбец всегда представляет положительный класс.
- Какая цель обучения обычно используется для полиномиальной логистической регрессии?
- Квадратичная ошибка между произвольными целочисленными идентификаторами классов
- Зависимая цель от двух лучших результатов
- Ошибка ноль-единица как плавная дифференцируемая потеря обучения
- Полиномиальная кросс-энтропия или логарифмическая потеря
- Модель ставит правильный класс на первое место, но часто присваивает ему 0,99, хотя он верен только в 0,7 случаях. Какая проблема присутствует?
- Плохая калибровка: достоверность превышает наблюдаемую частоту успешных результатов
- Плохая память: предсказанный класс не является самым частым классом.
- Нарушение взаимной исключительности, потому что доверие высокое
- Ошибка суммы вероятностей, даже если сумма вероятностей всех классов равна единице.