![](https://lstatic.shangxueba.com/jiandati/h5/images/m_q_title.png)
假设你被给到以下数据,你想要在给定的两个类别中使用 logistic 回归模型对它进行分类。你正在使用带有 L1 正则化的 logistic 回归,其中 C 是正则化参数,w1 和 w2 是 x1 和 x2 的系数。当你把 C 值从 0 增加至非常大的值时,下面哪个选项是正确的
A.第一个 w2 成了 0,接着 w1 也成了
B.第一个 w1 成了 0,接着 w2 也成了 0
C.w1 和 w2 同时成了 0
D.即使在 C 成为大值之后,w1 和 w2 都不能成 0
A.第一个 w2 成了 0,接着 w1 也成了
B.第一个 w1 成了 0,接着 w2 也成了 0
C.w1 和 w2 同时成了 0
D.即使在 C 成为大值之后,w1 和 w2 都不能成 0
A.针对分类的可能性进行建模,不仅能预测出类别,还可以得到属于该类别的概率。
B.直接对分类的可能性进行建模,无需事先假设数据分布,这样就避免了假设分布不准确所带来的问题。
C.模型本质仍然是一个线性模型,实现相对简单。
D.逻辑斯蒂回归模型是线性回归模型
附件给出了中国商品进口额、国内生产总值
、居民消费价格指数
。请考虑下列模型:
. (1)利用数据估计此模型的参数。 (2)你认为数据中存在多重共线性吗? (3)进行以下回归:
根据这些回归你能对多重共线性的性质有什么认识? (4)假设经检验数据有多重共线性,但模型中
和
在
的水平上显著,并且
检验也显著,你对此模型的应用有何建议?
A.(0,2)
B.(2,0)
C.(1,1)
D.(0,0)
A.Logistic回归实际上是一种分类算法。
B.Logistic回归通常用于处理多分类问题。
C.Logistic回归的损失函数可以选用交叉熵,并且采用梯度下降法调整其中的参数。
D.Logistic回归属于线性回归模型。
假设你使用log-loss函数作为评估标准。下面这些选项,哪些是对作为评估标准的log-loss的正确解释。
A.如果一个分类器对不正确的分类很自信,log-loss会严重的批评它
B.对一个特别的观察而言,分类器为正确的类别分配非常小的概率,然后对log-loss的相应分布会非常大
C.log-loss越低,模型越好
D.以上都是
考虑如下模型
它表示一个线性回归模型吗?若否,你能用什么“技巧”使它成为一个线性回归模型?你如何解释由此得到的模型?在什么情况下,这种模型比较合适?
假使你估计以下回归:,其中Y=产出,L=劳动投入,K=资本投入,而△为一阶差分运算子。你怎样解释此模型中的β1,可否把它解释为技术变化的一个估计值?说明你的理由。
为了保护您的账号安全,请在“简答题”公众号进行验证,点击“官网服务”-“账号验证”后输入验证码“”完成验证,验证成功后方可继续查看答案!