Машинное обучение: классификация и кластеризация_Машинное обучение Python — Н_ШАБЛОН

Скачать тест — (Машинное обучение_ классификация и кластеризация_М_6cc5238f.pdf)

1. Что такое логистическая регрессия?
2. Зачем используется функция сигмоиды в логистической регрессии?
3. Как называется функция, которая минимизируется в случае логистической регрессии?
4. Что представляет собой дерево решений?
5. Какие типы переменных могут использоваться при построении деревьев решений?
6. Что такое энтропия в контексте деревьев решений?
7. В чем основное отличие машинного обучения без учителя от машинного обучения с учителем?
8. Какие методы относятся к машинному обучению без учителя?
9. Какая функция используется для оптимизации параметров в логистической регрессии?
10. Чем характеризуется понятие «прирост информации» в контексте построения деревьев решений?
11. Что измеряет метрика accuracy?
12. Что такое аномалии в контексте машинного обучения без учителя?
13. Какие задачи можно решать с помощью кластеризации в машинном обучении без учителя?
14. Что измеряет метрика recall (полнота)?
15. Что измеряет метрика precision (точность)?
16. Что представляет собой метод кластеризации «иерархическая кластеризация»?
17. Что представляет собой F1-мера?
18. Что такое «решающая граница» в контексте логистической регрессии?
19. Какой принцип лежит в основе метода ближайших соседей?
20. Что такое confusion matrix (матрица ошибок) в контексте оценки качества классификации?
21. Что такое гиперпараметр k в методе ближайших соседей?
22. Какая основная цель кластеризации в машинном обучении без учителя?
23. Что такое функция активации в логистической регрессии?
24. Что такое «энтропия» в контексте деревьев решений?
25. Какие проблемы могут возникнуть при использовании метода ближайших соседей?
26. Что такое взвешенный метод ближайших соседей?