📝 【Machine Learning】練習測驗：使用邏輯迴歸進行分類
請先填寫您的資料
進度：1 / 10
總分：100 分
題目 1：題目 1/10
單選題 - 10分下列哪一項任務屬於分類？
根據病人的年齡和血壓，決定應給予多少血壓藥(以毫克為單位)的處方
根據病人的血壓，決定應給予多少血壓藥(以毫克為單位)的處方
根據每個腫瘤的大小，判斷每個腫瘤是否為惡性或是非惡性
題目 2：題目 2/10
單選題 - 10分讓我們回想一下，sigmoid 函數為 $g(z) = \frac{1}{1+e^{-z}}$
如果 $z$ 為一個很大的正數，下列敘述何者正確?
$g(z)$ 將會接近 0
$g(z)$ 將會接近 1
$g(z)$ 將會接近 0.5
$g(z)$ 將會接近 -1
題目 3：題目 3/10
單選題 - 10分一個貓咪照片分類模型會在是貓時預測為 1，若不是貓則預測為 0。
對於某張特定的照片，邏輯迴歸模型 $g(z)$ 輸出介於0到1之間的數字，
以下哪一項會是判斷是否預測為貓的合理準則？
如果 $g(z) < 0.7$ 則預測為貓
如果 $g(z) < 0.5$ 則預測為貓
如果 $g(z) = 0.5$ 則預測為貓
如果 $g(z) >= 0.5$ 則預測為貓
題目 4：題目 4/10
單選題 - 10分在二元分類問題中，若希望模型預測正類 (Class 1) 時能有更高的精確率 (precision)，也就是盡可能減少偽陽性 (false positives)，應該如何調整預測閾值 (threshold)？
降低閾值（例如從 0.5 調整至 0.3）。
提高閾值（例如從 0.5 調整至 0.8）。
保持閾值為 0.5，因為這是 S 型函數的中點。
閾值調整與精確率無關。
題目 5：題目 5/10
單選題 - 10分為什麼標準的線性迴歸 (linear regression) 不適合直接用於分類任務？
它無法處理超過一個特徵的資料。
它只能建立線性關係，無法處理非線性問題。
它的計算成本遠高於邏輯迴歸 (logistic regression)。
其輸出值可能超出[0,1]的範圍，且對離群值 (outliers) 敏感。
題目 6：題目 6/10
單選題 - 10分在邏輯迴歸 (logistic regression) 中，S型函數 (Sigmoid function) 的主要作用是什麼？
計算模型的損失 (loss) 或成本 (cost)。
對輸入特徵進行標準化 (normalization)。
將任何實數值的輸入轉換為介於 0 和 1 之間的機率值。
直接建立一個線性的決策邊界。
題目 7：題目 7/10
單選題 - 10分當 S 型函數 (Sigmoid function) $g(z) = \frac{1}{1+e^{-z}}$ 的輸入 $z$ 為 0 時，其輸出值是多少？
無法確定
0.5
1
0
題目 8：題目 8/10
單選題 - 10分在邏輯迴歸中，決策邊界 (decision boundary) 是由什麼決定的？
模型預測機率恰好等於 0 的所有點。
使得 S 型函數的輸入 $z = w \cdot x + b$ 等於 0 的點集合。
連接所有正類 (positive class) 資料點所形成的線。
模型預測機率恰好等於 1 的所有點。
題目 9：題目 9/10
單選題 - 10分假設一個用於兩個特徵 $(x_1,x_2)$ 的邏輯迴歸模型，其決策邊界由方程式 $3-x_1+2x_2 = 0$ 定義。請問一個位於 $(x_1=5, x_2=2)$ 的資料點會被如何分類？（假設預測閾值為 0.5）
恰好在決策邊界上。
資訊不足，無法判斷。
分類為負類 (Class 0)。
分類為正類 (Class 1)。
題目 10：題目 10/10
單選題 - 10分邏輯迴歸如何能夠建立如圓形之類的非線性 (non-linear) 決策邊界？
僅使用類別數量超過兩個的資料集。
將 S 型函數替換成其他的活化函數 (activation function)。
大幅增加模型的學習率 (learning rate)。
透過在模型中引入特徵的多項式項 (polynomial features)，例如 $x_1^2,x_2^2$。
🎉 測驗完成！
--
計算中...