แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการถดถอยโลจิสติก
ตรวจสอบความน่าจะเป็นของซิกมอยด์และซอฟต์แม็กซ์ การปรับเอนโทรปีข้าม การตีความบันทึกอัตราต่อรอง เกณฑ์การตัดสินใจ และตัวเลือกการทำให้เป็นมาตรฐาน
คำถาม 1 ของ 8
ถึงแม้จะมีชื่อ แต่จริงๆ แล้วการถดถอยโลจิสติกมีไว้เพื่ออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ถึงแม้จะมีชื่อ แต่จริงๆ แล้วการถดถอยโลจิสติกมีไว้เพื่ออะไร?
- การจำแนกออกเป็นหมวดหมู่
- การทำนายตัวเลขต่อเนื่อง
- การจัดกลุ่มข้อมูลที่ไม่มีป้ายกำกับ
- การลดขนาด
- ฟังก์ชัน sigmoid (logistic) ทำหน้าที่อะไรในโมเดล
- มันเลือกจำนวนคุณสมบัติ
- โดยจะจับคู่ค่าใดๆ ก็ตามกับความน่าจะเป็นระหว่าง 0 ถึง 1
- มันลบค่าผิดปกติ
- มันจัดกลุ่มข้อมูล
- ฟังก์ชันการสูญเสียใดที่การถดถอยโลจิสติกลดให้เหลือน้อยที่สุดในระหว่างการฝึกอบรม
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
- ความเฉื่อย
- การสูญเสียบันทึก (ข้ามเอนโทรปี)
- การสูญเสียบานพับ
- เหตุใดการถดถอยโลจิสติกจึงมีคุณค่าสำหรับการตีความ
- มันไม่ใช้คณิตศาสตร์
- มันซ่อนตรรกะภายในไว้
- มันทำนายไว้ 50 เปอร์เซ็นต์เสมอ
- น้ำหนักแต่ละรายการจะแสดงให้เห็นว่าฟีเจอร์เปลี่ยนบันทึกอัตราต่อรองของผลลัพธ์อย่างไร
- โดยทั่วไปการถดถอยโลจิสติกเปลี่ยนความน่าจะเป็นเป็นป้ายกำกับคลาสได้อย่างไร
- โดยจะใช้เกณฑ์ ซึ่งมักจะเป็น 0.5
- มันจะเลือกคลาสแรกเสมอ
- มันเฉลี่ยเพื่อนบ้าน
- มันใช้การสุ่มเลือก
- การถดถอยโลจิสติกเชื่อมต่อกับโครงข่ายประสาทเทียมอย่างไร
- มันไม่เกี่ยวข้องกับพวกเขา
- sigmoid หรือชั้น softmax สุดท้ายของโครงข่ายประสาทเทียมนั้นเป็นการถดถอยแบบโลจิสติกโดยพื้นฐานแล้ว
- มันเข้ามาแทนที่เลเยอร์ที่ซ่อนอยู่ทั้งหมด
- สามารถทำงานบน GPU เท่านั้น
- 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
- 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