Ta strona została przetłumaczona przez Cloud Translation API. Regresja logistyczna: sprawdź swoją wiedzę Wróć do ścieżki Dlaczego dane wyjściowe modelu regresji liniowej są słabym wskaźnikiem prawdopodobieństwa? Każdy obiekt może mieć tylko 1 wagę. Ma tylko 1 wartość wyjściową. Parametr odchylenia zniekształca wartość wyjściową. Jej prognozy nie są ograniczone do wartości od 0 do 1. Prawda czy fałsz: funkcja sigmoidalna nigdy nie zwraca wartości 0 ani 1. Prawda Fałsz Prawda czy fałsz: stosowanie regularyzacji jest mniej ważne podczas trenowania modeli regresji logistycznej niż do trenowania modeli regresji liniowej. Prawda Fałsz Która z tych opcji pasuje zarówno do regresji liniowej, jak i regresji logistycznej, z odpowiednimi funkcjami straty przy obliczaniu strat? Regresja liniowa: błąd średniokwadratowy Regresja logistyczna: błąd średniokwadratowy. Regresja liniowa: błąd średniokwadratowy Regresja logistyczna: średni błąd bezwzględny. Regresja liniowa: błąd średniokwadratowy Regresja logistyczna: logarytmiczna regresja Regresja liniowa: logarytmiczna funkcja straty Regresja logistyczna: błąd średniokwadratowy. Która z tych metod jest skuteczną techniką regularyzacji modeli regresji logistycznej? Regularyzacja porzuceń Późne zatrzymywanie Wczesne zatrzymanie Gradient gradientowy Prześlij odpowiedzi error_outline Podczas oceniania testu wystąpił błąd. Spróbuj ponownie.
