Rehber bağlantılı sınav · Orta Seviye

Lojistik Regresyon Testi

Sigmoid ve softmax olasılıklarını, çapraz entropi uyumunu, log-odds yorumunu, karar eşiklerini ve düzenleme seçeneklerini kontrol eder.

İlgili kılavuz yollarıLojistik Regresyon
Soru 1 arasında 8

İsmine rağmen lojistik regresyon aslında ne için kullanılıyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. İsmine rağmen lojistik regresyon aslında ne için kullanılıyor?
    • Kategorilere göre sınıflandırma
    • Sürekli sayıları tahmin etme
    • Etiketlenmemiş verileri kümeleme
    • Boyutların küçültülmesi
  2. Modelde sigmoid (lojistik) fonksiyon ne işe yarar?
    • Özelliklerin sayısını seçer
    • Herhangi bir değeri 0 ile 1 arasındaki bir olasılığa eşler
    • Aykırılıkları ortadan kaldırır
    • Verileri kümeler
  3. Lojistik regresyon eğitim sırasında hangi kayıp fonksiyonunu en aza indirir?
    • Ortalama kare hatası
    • Atalet
    • Günlük kaybı (çapraz entropi)
    • Menteşe kaybı
  4. Lojistik regresyon yorumlanabilirlik açısından neden değerlidir?
    • Hiçbir matematik kullanmaz
    • Kendi iç mantığını gizler
    • Her zaman yüzde 50'yi öngörüyor
    • Her ağırlık, bir özelliğin sonucun log-oranlarını nasıl değiştirdiğini gösterir
  5. Lojistik regresyon tipik olarak bir olasılığı sınıf etiketine nasıl dönüştürür?
    • Genellikle 0,5 olan bir eşik uygular
    • Her zaman birinci sınıfı seçer
    • Komşuların ortalamasını alır
    • Rastgele seçim kullanır
  6. Lojistik regresyon sinir ağlarına nasıl bağlanır?
    • Onlarla alakası yok
    • Bir sinir ağının son sigmoid veya softmax katmanı aslında lojistik regresyondur
    • Tüm gizli katmanların yerini alır
    • Yalnızca GPU'larda çalışabilir
  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