Вікторина, пов’язана з посібником · Середній Рівень

Вікторина логістичної регресії

Перевіряє сигмоїдну та м’яку максимальну ймовірності, перехресну ентропійну підгонку, інтерпретацію логарифмів шансів, порогові значення для прийняття рішення та вибір регулярізації.

Пов'язані напрямні шляхиЛогістична регресія
Питання 1 з 8

Незважаючи на свою назву, для чого насправді використовується логістична регресія?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Незважаючи на свою назву, для чого насправді використовується логістична регресія?
    • Класифікація на категорії
    • Прогнозування безперервних чисел
    • Кластеризація немаркованих даних
    • Зменшення розмірів
  2. Що робить сигмоїдна (логістична) функція в моделі?
    • Він вибирає кількість функцій
    • Він відображає будь-яке значення на ймовірність від 0 до 1
    • Він усуває викиди
    • Він кластеризує дані
  3. Яку функцію втрат мінімізує логістична регресія під час навчання?
    • Середня квадратична помилка
    • Інертність
    • Логарифмічні втрати (перехресна ентропія)
    • Втрата шарніра
  4. Чому логістична регресія цінується за інтерпретабельність?
    • Він не використовує математику
    • Воно приховує свою внутрішню логіку
    • Він завжди передбачає 50 відсотків
    • Кожна вага показує, як функція змінює логарифмічні шанси результату
  5. Як логістична регресія зазвичай перетворює ймовірність на мітку класу?
    • Він застосовує поріг, часто 0,5
    • Він завжди обирає перший клас
    • Усереднює сусідів
    • Він використовує випадковий вибір
  6. Як логістична регресія підключається до нейронних мереж?
    • Це не пов'язано з ними
    • Останній сигмоїдний або softmax шар нейронної мережі є, по суті, логістичною регресією
    • Він замінює всі приховані шари
    • Він може працювати лише на графічних процесорах
  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