作者：ANKIT GUPTA

翻译：jqr.com

来源：机器人官网（公众号：jqr-com）

逻辑回归（Logistic Regression）大概是解决所有分类问题的算法中最常见的吧，当然，它也是人们最初染指的算法之一。

本测试旨在评估人们对逻辑回归基本认识和细微差别的了解。快来读一读这篇文章，看看自己到底有几斤几两吧。

1.判断题：Logistic regression（逻辑回归）是一种监督式机器学习算法吗？

A.是

B.否

答案：A

当然，Logistic regression是一种监督式学习算法，因为它使用真假标签进行测试。 测试模型时，监督式学习算法应具有输入变量（x）和目标变量（Y）。

2.判断题：Logistic Regression主要用于回归吗？

A.是

B.否

答案：B

逻辑回归是一种分类算法，不要因为名称将其混淆。

3.判断题：是否能用神经网络算法设计逻辑回归算法？

A是

B否

答案：A

是的，神经网络是一种通用逼近器，因此能够实现线性回归算法。

4.判断题：是否可以对三分问题应用逻辑回归算法？

A.是

B.否

答案：A

当然可以对三分问题应用逻辑回归，只需在逻辑回归中使用One Vs all方法。

5.以下哪种方法能最佳地适应逻辑回归中的数据？

A.Least Square Error

B.Maximum Likelihood

C.Jaccard distance

D.Both A and B

答案：B

Logistic Regression使用可能的最大似然估值来测试逻辑回归过程。

6.在逻辑回归输出与目标对比的情况下，以下评估指标中哪一项不适用？

A.AUC-ROC

B.准确度

C.Logloss

D.均方误差

答案：D

因为Logistic Regression是一个分类算法，所以它的输出不能是实时值，所以均方误差不能用于评估它。

7.分析逻辑回归表现的一个良好的方法是AIC，它与线性回归中的R平方相似。有关AIC，以下哪项是正确的？

A.具有最小AIC值的模型更好

B.具有最大AIC值的模型更好

C.视情况而定

D.以上都不是

答案：A

我们一般选择逻辑回归中最少的AIC作为最佳模型。有关更多信息，请参阅此来源：

www4.ncsu.edu/~shu3/Presentation/AIC.pdf

8.判断题：在训练逻辑回归之前需要对特征进行标准化。

A.是

B.否

答案：B

逻辑回归不需要标准化。功能标准化的主要目标是帮助优化技术组合。

9.使用以下哪种算法进行变量选择？

A.LASSO

B.Ridge

C.两者

D.都不是

答案：A

使用Lasso的情况下，我们采用绝对罚函数，在增加Lasso中罚值后，变量的一些系数可能变为零。

条件：10-11题

逻辑回归的以下模型：P（y = 1 | x，w）= g（w0 + w1x）其中g（z）是逻辑函数。

在上述等式中，通过改变参数w可以得到的P（y = 1 | x; w）被视为x的函数。

10.在这种情况下，p的范围是多少？

A.（0，inf）

B.（-inf，0）

C.（0,1）

D.（-inf，inf）

答案：C

对于从-∞到+∞的实数范围内的x的值。逻辑函数将给出（0,1）的输出。

11.在上面的问题中，你认为哪个函数会产生（0,1）之间的p？

A.逻辑函数

B.对数似然函数

C.两者的复合函数

D.都不会

答案：A

说明同编号10。

条件：12-13题

假设你在测试逻辑回归分类器，设函数H为

12.下图中的哪一个代表上述分类器给出的决策边界？

A.

B.

C.

D.

答案：B

选项B正确。虽然我们的式子由选项A和选项B所示的y = g（-6 + x2）表示，但是选项B才是正确的答案，因为当将x2 = 6的值放在等式中时，要使y = g （0）就意味着y = 0.5将在线上，如果你将x2的值增加到大于6，你会得到负值，所以输出将是区域y = 0。

13.如果用x2替换x1的系数，输出数字是多少？

A.

B.

C.

D.

答案：D

同12题。

14.抛掷一枚正常硬币，正面朝上的几率（odds）为多少？

A.0

B.0.5

C.1

D.都不是

答案：C

几率（odds）是事件发生不发生概率的比率，正面朝上概率为1/2和反面朝上的概率都为1/2，所以几率为1。

15.Logit函数（给定为l（x））是几率函数的对数。域x = [0,1]中logit函数的范围是多少？

A.（ - ∞，∞）

B.（0,1）

C.（0，∞）

D.（ - ∞，0）

答案：A

为了与目标相适应，几率函数具有将值从0到1的概率函数变换成值在0和∞之间的等效函数的优点。当我们采用几率函数的自然对数时，我们便能范围是-∞到∞的值。

16.以下哪些选项为真？

A.线性回归误差值必须正态分布，但是在Logistic回归的情况下，情况并非如此

B.逻辑回归误差值必须正态分布，但是在线性回归的情况下，情况并非如此

C.线性回归和逻辑回归误差值都必须正态分布

D.线性回归和逻辑回归误差值都不能正态分布

答案：A

只有A是真的。请参考教程 czep.net/stat/mlelr.pdf

17.对于任意值“x”，以下哪一项是正确的？

注：

Logistic（x）：是任意值“x”的逻辑（Logistic）函数

Logit（x）：是任意值“x”的logit函数

Logit_inv（x）：是任意值“x”的逆逻辑函数

A.Logistic（x）= Logit（x）

B.Logistic（x）= Logit_inv（x）

C.Logit_inv（x）= Logit（x）

D.都不是

答案：B

请参阅此链接以获取答案：https：//en.wikipedia.org/wiki/Logit

18.使用 high(infinite) regularisation时偏差会如何变化？

有散点图“a”和“b”两类（蓝色为正，红色为负）。在散点图“a”中，使用了逻辑回归（黑线是决策边界）对所有数据点进行了正确分类。

A.偏差很大

B.偏差很小

C.不确定

D.都不是

答案：A

模型变得过于简单，所以偏差会很大。

19.假设对给定数据应用了Logistic回归模型，并获得了训练精度X和测试精度Y。现在要在同一数据中添加一些新特征，以下哪些是正确的选项。

注：假设剩余参数相同。

A.训练精度提高

B.训练准确度提高或保持不变

C.测试精度降低

D.测试精度提高或保持不变

答案：A和D

将更多的特征添加到模型中会增加训练精度，因为模型必须考虑更多的数据来适应逻辑回归。但是，如果发现特征显着，则测试精度将会增加。

20.选择Logistic回归中的One-Vs-All方法中的哪个选项是真实的。

A.我们需要在n类分类问题中适合n个模型

B.我们需要适合n-1个模型来分类为n个类

C.我们需要只适合1个模型来分类为n个类

D.这些都没有

答案：A

如果存在n个类，那么n个单独的逻辑回归必须与之相适应，其中每个类的概率由剩余类的概率之和确定。

21.以下是两种不同的对数模型，分别为β0和β1。

对于两种对数模型（绿色，黑色）的β0和β1值，下列哪一项是正确的？

注： Y =β0+β1* X。其中β0是截距，β1是系数。

A.绿色的β1大于黑色

B.绿色的β1小于黑色

C.两种颜色的β1相同

D.不能说

答案：B

β0和β1：β0= 0，β1= 1为X1颜色（黑色），β0= 0，β1= -1为X4颜色（绿色）

条件：22-24题

下面是三个散点图（A，B，C，从左到右）和和手绘的逻辑回归决策边界。

22.上图中哪一个显示了决策边界过度拟合训练数据？

A.A

B.B

C.C

D.这些都没有

答案：C

由于在图3中，决策边界不平滑，表明其过度拟合数据。

23.根据可视化后的结果，能得出什么结论？

1.与第二和第三图相比，第一幅图中的训练误差最大。

2.该回归问题的最佳模型是最后（第三个）图，因为它具有最小的训练误差（零）。

3.第二个模型比第一个和第三个更强，它在不可见数据中表现最好。

4.与第一种和第二种相比，第三种模型过度拟合了。

5.所有的模型执行起来都一样，因为没有看到测试数据。

A.1和3

B.1和3

C.1,3和4

D.5

答案：C

图中趋势像是自变量X的二次趋势。更高次方的多项式（右图）可能对训练中的数据群具有超高的精度，但预计在测试数据集上将会严重失败。但是在左图中可以测试最大错误值，因为适合训练数据

24.假设上述决策边界是针对不同的正则化（regularization）值生成的。那么其中哪一个显示最大正则化？

A.A

B.B

C.C

D.都具有相同的正则化

答案：A

因为正则化意味着更多的罚值和图A所示的较简单的决策界限。

25.下图显示了三个逻辑回归模型的AUC-ROC曲线。不同的颜色表示不同超参数值的曲线。以下哪个AUC-ROC会给出最佳结果？

A.黄色

B.粉红色

C.黑色

D.都相同

答案：A

最佳分类是曲线下区域面积最大者，而黄线在曲线下面积最大。

26.如果对相同的数据进行逻辑回归，将花费更少的时间，并给出比较相似的精度（也可能不一样），怎么办？

假设在庞大的数据集上使用Logistic回归模型。可能遇到一个问题，Logistic回归需要很长时间才能训练。

A.降低学习率，减少迭代次数

B.降低学习率，增加迭代次数

C.提高学习率，增加迭代次数

D.增加学习率，减少迭代次数

答案：D

如果在训练时减少迭代次数，就能花费更少的时间获得相同的精度，但需要增加学习率。

27.以下哪个图像显示y = 1的代价函数？

以下是两类分类问题的逻辑回归（Y轴损失函数和x轴对数概率）的损失函数。

注：Y是目标类

A.A

B.B

C.两者

D.这些都没有

答案：A

A正确，因为损失函数随着对数概率的增加而减小

28.假设，下图是逻辑回归的代价函数。

现在，图中有多少个局部最小值？

A.1

B.2

C.3

D.4

答案：C

图中有三个局部最小值。

29.如下逻辑回归图显示了3种不同学习速率值的代价函数和迭代次数之间的关系（不同的颜色在不同的学习速率下显示不同的曲线）。

为了参考而保存图表后，忘记其中不同学习速率的值。现在需要曲线的倾斜率值之间的关系。以下哪一个是正确的？

注：

1.蓝色的学习率是L1

2.红色的学习率是L2

3.绿色学习率为lL3

A.L1> L2> L3

B.L1 = L2 = L3

C.L1 <L2 <L3

D.都不是

答案：C

如果学习速率低下，代价函数将缓慢下降，学习速度过高，则其代价函数会迅速下降。

30.Logistic回归分类器是否能对下列数据进行完美分类？

注：只可使用X1和X2变量，且只能使用两个二进制值（0,1）。

A.是

B.否

C.不确定

D.都不是

答案：B

逻辑回归只能形成线性决策面，而图中的例子并非线性可分的。

恭喜你！三十个关于逻辑回归的问题到这里就都答完啦，不知你答对了几个呢？

机器人网原创文章，未经授权禁止转载。详情见转载须知

本文来自机器人网，如若转载，请注明出处：https://www.jqr.com/news/005772