Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Câu đố hồi quy logistic

Kiểm tra xác suất sigmoid và softmax, khớp entropy chéo, diễn giải tỷ lệ logarit, ngưỡng quyết định và các lựa chọn chính quy hóa.

Đường dẫn hướng dẫn liên quanHồi quy logistic
Câu hỏi 1 của 8

Bất chấp tên gọi của nó, hồi quy logistic thực sự được sử dụng để làm gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Bất chấp tên gọi của nó, hồi quy logistic thực sự được sử dụng để làm gì?
    • Phân loại thành các loại
    • Dự đoán số liên tục
    • Phân cụm dữ liệu không được gắn nhãn
    • Giảm kích thước
  2. Hàm sigmoid (hậu cần) làm gì trong mô hình?
    • Nó chọn số lượng tính năng
    • Nó ánh xạ bất kỳ giá trị nào tới xác suất từ 0 đến 1
    • Nó loại bỏ các ngoại lệ
    • Nó phân cụm dữ liệu
  3. Hàm mất mát nào mà hồi quy logistic giảm thiểu trong quá trình đào tạo?
    • Sai số bình phương trung bình
    • Quán tính
    • Mất nhật ký (entropy chéo)
    • Mất bản lề
  4. Tại sao hồi quy logistic được đánh giá cao về khả năng diễn giải?
    • Nó không sử dụng toán học
    • Nó ẩn logic bên trong của nó
    • Nó luôn dự đoán 50 phần trăm
    • Mỗi trọng số cho thấy một tính năng sẽ thay đổi tỷ lệ log của kết quả như thế nào
  5. Làm thế nào để hồi quy logistic thường biến xác suất thành nhãn lớp?
    • Nó áp dụng một ngưỡng, thường là 0,5
    • Nó luôn chọn lớp đầu tiên
    • Nó tính trung bình hàng xóm
    • Nó sử dụng lựa chọn ngẫu nhiên
  6. Hồi quy logistic kết nối với mạng lưới thần kinh như thế nào?
    • Nó không liên quan đến họ
    • Lớp sigmoid hoặc softmax cuối cùng của mạng lưới thần kinh về cơ bản là hồi quy logistic
    • Nó thay thế tất cả các lớp ẩn
    • Nó chỉ có thể chạy trên GPU
  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