# ML Supervisionato: Classificazione (Data Science & ML)

> Regressione logistica, KNN, SVM, metriche (accuracy, precision, recall, F1, ROC-AUC), soglie

- 24 domande da colloquio
- Mid-Level
- [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md)

## 1. Qual è l'obiettivo principale di un algoritmo di classificazione supervisionata?

**Risposta**

La classificazione supervisionata mira a prevedere una categoria o classe (variabile discreta) dalle features di input, apprendendo da dati etichettati. A differenza della regressione che prevede valori continui, la classificazione assegna ogni osservazione a una classe predefinita (binaria o multiclasse).

## 2. Quale funzione matematica utilizza la regressione logistica per trasformare le predizioni in probabilità?

**Risposta**

La funzione sigmoid (o logistica) trasforma qualsiasi valore reale in una probabilità tra 0 e 1. È definita come sigma(z) = 1/(1+e^(-z)). Questa funzione permette di interpretare l'output come la probabilità di appartenere alla classe positiva.

## 3. Cosa rappresentano i coefficienti in un modello di regressione logistica?

**Risposta**

I coefficienti della regressione logistica rappresentano il cambiamento nei log-odds per ogni unità di cambiamento della feature corrispondente. Un coefficiente positivo aumenta la probabilità della classe positiva, mentre un coefficiente negativo la diminuisce. L'esponenziale del coefficiente fornisce l'odds ratio.

## Altre 21 domande disponibili

- Come funziona l'algoritmo K-Nearest Neighbors (KNN) per la classificazione?
- Qual è l'impatto della scelta del valore di k nell'algoritmo KNN?

Registrati gratis: https://sharpskill.dev/it/login

## Altri argomenti di colloquio Data Science & ML

- [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior
- [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior
- [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior
- [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior
- [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior
- [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior
- [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior
- [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level
- [Pandas avanzato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-advanced.md): 24 domande, Mid-Level
- [Visualizzazione con Matplotlib & Seaborn](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn.md): 20 domande, Mid-Level
- [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level
- [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level
- [Statistica inferenziale](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential.md): 24 domande, Mid-Level
- [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level
- [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level
- [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level
- [Alberi Decisionali e Ensembles](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles.md): 24 domande, Mid-Level
- [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level
- [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level
- [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level
- [Fondamenti di Deep Learning](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/deep-learning-fundamentals.md): 24 domande, Senior
- [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior
- [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior
- [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior
- [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior
- [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior
- [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior
- [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification