Category Archives: 未分類

Lasso 回帰の説明として正しいものを選択肢から選んでください． [Q1の選択肢] 1. 正則化項として、パラメータの絶対値の和である L1 ペナルティを用いる． 　 L1 ペナルティを用いると、説明変数の数を出来るだけ減らすようにモデルは訓練される． 2. 正則化項として、パラメータの二乗和である L2 ペナルティを用いる． 　L2 ペナルティを用いると、モデルは重みを出来るだけ小さくするように訓練される． 　しかし、入力特徴量のスケールの影響を受けるため、訓練セットをスケーリングするなどの対策が必要である． 3. 正則化項として、L1 ペナルティと L2 ペナルティの重み和を用いる． 　訓練セットの性質が読みづらいときには、とりあえず、このモデルを使用すると良い．

Lasso 回帰の正則化項として正しいものを選択肢から選んでください． [Q1の選択肢] 1. $${LARGE [ alpha|mathbf{w}|_{1} ]}$$ 2. $${LARGE [ alpha|mathbf{w}|_{2}^{2} ]}$$ 3. $${LARGE [ ralpha|mathbf{w}|_{1}+frac{1-r}{2}alpha|mathbf{w}|_{2}^{2} ]}$$

次のコードで空欄になっている行を埋め、SGD モデルを早期打ち切りによって最適化してください． # Q1：train_test_split クラスをインポートしてください． from ########## import train_test_split # Q2：Pipeline クラスをインポートしてください． from ########## import Pipeline # Q3：StandardScalerクラスをインポートしてください． from ########## import StandardScaler # Q4：mean_squared_error クラスをインポートしてください． from ########## import mean_squared_error # Q5：clone クラスをインポートしてください． from ########## import clone [Q1– 5 の選択肢] 1. sklearn.pipeline 2. sklearn.metrics 3. sklearn.base 4. sklearn.preprocessing 5. sklearn.model_selection np.random.seed(0) m = 100 X = […]

次のコードで空欄になっている行を埋め、SGD モデルを早期打ち切りによって最適化してください． # Q1：train_test_split クラスをインポートしてください． from ########## import train_test_split # Q2：Pipeline クラスをインポートしてください． from ########## import Pipeline # Q3：StandardScalerクラスをインポートしてください． from ########## import StandardScaler # Q4：mean_squared_error クラスをインポートしてください． from ########## import mean_squared_error # Q5：clone クラスをインポートしてください． from ########## import clone [Q1 — 5 の選択肢] 1. sklearn.base 2. sklearn.model_selection 3. sklearn.preprocessing 4. sklearn.pipeline 5. sklearn.metrics np.random.seed(0) m = 100 X […]

ロジスティック関数（シグモイド関数）を表すグラフを選択肢 1 ~ 4 から選んでください． 1. y = a*x + b (直線の式) 2. ReLU 関数 3. ロジスティック関数 4. tanh

ロジスティック回帰の説明として正しいものを選択肢から選んでください． [選択肢] 1. ロジスティック回帰モデルは、その名の通り回帰問題にのみ用いられる． 2. ロジスティック回帰モデルは、一般化線形モデルには当てはまらない． 3. ロジスティック回帰モデルは、シグモイド関数を用いて入力データがどのクラスに属すのかを予測できる． 4. ロジスティック回帰モデルのコスト関数には勾配降下法を適用できない．

ロジスティック回帰の説明として正しいものを選択肢から選んでください． [選択肢] 1. ロジスティック回帰モデルは、ReLU 活性化関数を用いて入力データがどのクラスに属すのかを予測できる． 2. ロジスティック回帰モデルは、コスト関数に交差エントロピーを用いる． 3. ロジスティック回帰モデルは、その名の通り回帰問題にのみ用いられる． 4. ロジスティック回帰モデルのコスト関数には勾配降下法を適用できない．

scikit-learn ライブラリのロジスティック回帰クラスが含まれるモジュールとして正しいものを選択肢から選んでください． [選択肢] 1. sklearn.logistic_model 2. sklearn.linear_model 3. sklearn.ensemble 4. sklearn.processing

決定境界を説明している以下の文で空欄に入る適切な値を選択肢 1 ~ 3 から選んでください． 決定境界とは、2 項分類において両方のクラスに属す確率が ( Q1 ____ ) % となる点のことである． [選択肢] 1. 50 2. 100 3. 0

Lasso 回帰の説明として正しいものを選択肢から選んでください． [Q1の選択肢] 1. 正則化項として、パラメータの絶対値の和である L1 ペナルティを用いる． 　 L1 ペナルティを用いると、説明変数の数を出来るだけ減らすようにモデルは訓練される． 2. 正則化項として、パラメータの二乗和である L2 ペナルティを用いる． 　L2 ペナルティを用いると、モデルは重みを出来るだけ小さくするように訓練される． 　しかし、入力特徴量のスケールの影響を受けるため、訓練セットをスケーリングするなどの対策が必要である． 3. 正則化項として、L1 ペナルティと L2 ペナルティの重み和を用いる． 　訓練セットの性質が読みづらいときには、とりあえず、このモデルを使用すると良い．