แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการถดถอยโลจิสติก

ตรวจสอบความน่าจะเป็นของซิกมอยด์และซอฟต์แม็กซ์ การปรับเอนโทรปีข้าม การตีความบันทึกอัตราต่อรอง เกณฑ์การตัดสินใจ และตัวเลือกการทำให้เป็นมาตรฐาน

เส้นทางแนะนำที่เกี่ยวข้องการถดถอยโลจิสติก
คำถาม 1 ของ 8

ถึงแม้จะมีชื่อ แต่จริงๆ แล้วการถดถอยโลจิสติกมีไว้เพื่ออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ถึงแม้จะมีชื่อ แต่จริงๆ แล้วการถดถอยโลจิสติกมีไว้เพื่ออะไร?
    • การจำแนกออกเป็นหมวดหมู่
    • การทำนายตัวเลขต่อเนื่อง
    • การจัดกลุ่มข้อมูลที่ไม่มีป้ายกำกับ
    • การลดขนาด
  2. ฟังก์ชัน sigmoid (logistic) ทำหน้าที่อะไรในโมเดล
    • มันเลือกจำนวนคุณสมบัติ
    • โดยจะจับคู่ค่าใดๆ ก็ตามกับความน่าจะเป็นระหว่าง 0 ถึง 1
    • มันลบค่าผิดปกติ
    • มันจัดกลุ่มข้อมูล
  3. ฟังก์ชันการสูญเสียใดที่การถดถอยโลจิสติกลดให้เหลือน้อยที่สุดในระหว่างการฝึกอบรม
    • ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
    • ความเฉื่อย
    • การสูญเสียบันทึก (ข้ามเอนโทรปี)
    • การสูญเสียบานพับ
  4. เหตุใดการถดถอยโลจิสติกจึงมีคุณค่าสำหรับการตีความ
    • มันไม่ใช้คณิตศาสตร์
    • มันซ่อนตรรกะภายในไว้
    • มันทำนายไว้ 50 เปอร์เซ็นต์เสมอ
    • น้ำหนักแต่ละรายการจะแสดงให้เห็นว่าฟีเจอร์เปลี่ยนบันทึกอัตราต่อรองของผลลัพธ์อย่างไร
  5. โดยทั่วไปการถดถอยโลจิสติกเปลี่ยนความน่าจะเป็นเป็นป้ายกำกับคลาสได้อย่างไร
    • โดยจะใช้เกณฑ์ ซึ่งมักจะเป็น 0.5
    • มันจะเลือกคลาสแรกเสมอ
    • มันเฉลี่ยเพื่อนบ้าน
    • มันใช้การสุ่มเลือก
  6. การถดถอยโลจิสติกเชื่อมต่อกับโครงข่ายประสาทเทียมอย่างไร
    • มันไม่เกี่ยวข้องกับพวกเขา
    • sigmoid หรือชั้น softmax สุดท้ายของโครงข่ายประสาทเทียมนั้นเป็นการถดถอยแบบโลจิสติกโดยพื้นฐานแล้ว
    • มันเข้ามาแทนที่เลเยอร์ที่ซ่อนอยู่ทั้งหมด
    • สามารถทำงานบน GPU เท่านั้น
  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