ML Supervisionato: Classificazione
Regressione logistica, KNN, SVM, metriche (accuracy, precision, recall, F1, ROC-AUC), soglie
1Qual è l'obiettivo principale di un algoritmo di classificazione supervisionata?
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).
2Quale funzione matematica utilizza la regressione logistica per trasformare le predizioni in probabilità?
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.
3Cosa rappresentano i coefficienti in un modello di regressione logistica?
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.
Come funziona l'algoritmo K-Nearest Neighbors (KNN) per la classificazione?
Qual è l'impatto della scelta del valore di k nell'algoritmo KNN?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis