引导式测验 · 中等 等级

逻辑回归测验

检查 sigmoid 和 softmax 概率、交叉熵拟合、对数赔率解释、决策阈值和正则化选择。

相关引导路径逻辑回归
问题 1 的 8

尽管有它的名字，逻辑回归实际上是用来做什么的？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 尽管有它的名字，逻辑回归实际上是用来做什么的？
    • 分类
    • 预测连续数字
    • 对未标记数据进行聚类
    • 减少尺寸
  2. sigmoid（逻辑）函数在模型中起什么作用？
    • 它选择特征的数量
    • 它将任何值映射到 0 到 1 之间的概率
    • 它消除了异常值
    • 它对数据进行聚类
  3. 逻辑回归在训练过程中最小化哪个损失函数？
    • 均方误差
    • 惯性
    • 对数损失（交叉熵）
    • 铰链损失
  4. 为什么逻辑回归重视可解释性？
    • 它不使用数学
    • 它隐藏了其内部逻辑
    • 它总是预测 50%
    • 每个权重显示一个特征如何改变结果的对数几率
  5. 逻辑回归通常如何将概率转化为类别标签？
    • 它应用一个阈值，通常为 0.5
    • 它总是选择头等舱
    • 它平均邻居
    • 它使用随机选择
  6. 逻辑回归如何与神经网络连接？
    • 与他们无关
    • 神经网络的最终 sigmoid 或 softmax 层本质上是逻辑回归
    • 它取代了所有隐藏层
    • 它只能在 GPU 上运行
  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