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.

Связанные направляющие путиРегрессия Softmax для мультикласса
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.

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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
  6. 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.
  7. 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
  8. 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.