Uczenie nadzorowane: Klasyfikacja
Regresja logistyczna, KNN, SVM, metryki (accuracy, precision, recall, F1, ROC-AUC), progi
1Jaki jest główny cel algorytmu klasyfikacji nadzorowanej?
Jaki jest główny cel algorytmu klasyfikacji nadzorowanej?
Odpowiedź
Klasyfikacja nadzorowana ma na celu przewidywanie kategorii lub klasy (zmiennej dyskretnej) na podstawie features wejściowych, ucząc się z oznakowanych danych. W przeciwieństwie do regresji, która przewiduje wartości ciągłe, klasyfikacja przypisuje każdą obserwację do predefiniowanej klasy (binarnej lub wieloklasowej).
2Jakiej funkcji matematycznej używa regresja logistyczna do przekształcania predykcji w prawdopodobieństwa?
Jakiej funkcji matematycznej używa regresja logistyczna do przekształcania predykcji w prawdopodobieństwa?
Odpowiedź
Funkcja sigmoid (lub logistyczna) przekształca dowolną wartość rzeczywistą w prawdopodobieństwo między 0 a 1. Jest zdefiniowana jako sigma(z) = 1/(1+e^(-z)). Funkcja ta pozwala interpretować wyjście jako prawdopodobieństwo przynależności do klasy pozytywnej.
3Co reprezentują współczynniki w modelu regresji logistycznej?
Co reprezentują współczynniki w modelu regresji logistycznej?
Odpowiedź
Współczynniki regresji logistycznej reprezentują zmianę log-odds dla każdej jednostkowej zmiany odpowiadającej feature. Dodatni współczynnik zwiększa prawdopodobieństwo klasy pozytywnej, podczas gdy ujemny współczynnik je zmniejsza. Wykładnicza wartość współczynnika daje odds ratio.
Jak działa algorytm K-Nearest Neighbors (KNN) dla klasyfikacji?
Jaki jest wpływ wyboru wartości k w algorytmie KNN?
+21 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo