# Uczenie nadzorowane: Klasyfikacja (Data Science & ML)

> Regresja logistyczna, KNN, SVM, metryki (accuracy, precision, recall, F1, ROC-AUC), progi

- 24 pytań z rozmów
- Mid-Level
- [Pytania z rozmów: Data Science & ML](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne.md)

## 1. 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).

## 2. 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.

## 3. 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.

## Jeszcze 21 dostępnych pytań

- Jak działa algorytm K-Nearest Neighbors (KNN) dla klasyfikacji?
- Jaki jest wpływ wyboru wartości k w algorytmie KNN?

Zarejestruj się za darmo: https://sharpskill.dev/pl/login

## Inne tematy rekrutacyjne Data Science & ML

- [Podstawy Pythona](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-basics.md): 25 pytań, Junior
- [Programowanie Obiektowe w Pythonie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-oop.md): 20 pytań, Junior
- [Struktury danych Python](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-data-structures.md): 20 pytań, Junior
- [Podstawy Git](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/git-fundamentals.md): 18 pytań, Junior
- [Podstawy SQL](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-basics.md): 20 pytań, Junior
- [Podstawy NumPy](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/numpy-fundamentals.md): 22 pytań, Junior
- [Podstawy Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-basics.md): 22 pytań, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/jupyter-colab.md): 16 pytań, Junior
- [SQL Joins i zaawansowane zapytania](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-joins-advanced.md): 22 pytań, Mid-Level
- [Zaawansowany Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-advanced.md): 24 pytań, Mid-Level
- [Wizualizacja z Matplotlib & Seaborn](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/matplotlib-seaborn.md): 20 pytań, Mid-Level
- [Interaktywne wizualizacje z Plotly](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/plotly-interactive.md): 18 pytań, Mid-Level
- [Statystyka opisowa](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-descriptive.md): 20 pytań, Mid-Level
- [Statystyka inferencyjna](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-inferential.md): 24 pytań, Mid-Level
- [Web Scraping](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/web-scraping.md): 18 pytań, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/bigquery-cloud.md): 18 pytań, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/feature-engineering.md): 22 pytań, Mid-Level
- [Uczenie nadzorowane: Regresja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-regression.md): 24 pytań, Mid-Level
- [Drzewa Decyzyjne i Ensembles](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-trees-ensembles.md): 24 pytań, Mid-Level
- [ML Nienadzorowane](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-unsupervised.md): 22 pytań, Mid-Level
- [Pipeline'y ML i walidacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-pipelines-validation.md): 22 pytań, Mid-Level
- [Szeregi czasowe i prognozowanie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/time-series-forecasting.md): 22 pytań, Mid-Level
- [Podstawy Deep Learning](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/deep-learning-fundamentals.md): 24 pytań, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/tensorflow-keras.md): 22 pytań, Senior
- [CNN i klasyfikacja obrazów](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/cnn-image-classification.md): 24 pytań, Senior
- [RNN i Sekwencje](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/rnn-sequences.md): 22 pytań, Senior
- [Transformers i Attention](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/transformers-attention.md): 24 pytań, Senior
- [NLP i Hugging Face](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/nlp-huggingface.md): 24 pytań, Senior
- [GenAI i LangChain](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/genai-langchain.md): 24 pytań, Senior
- [MLOps i Wdrożenie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/mlops-deployment.md): 24 pytań, Senior

---

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