✍️ Воскресный разбор задач
1️⃣ Чтобы подсчитать количество настраиваемых параметров в логистической регрессии для 5 классов и 10 признаков с bias, воспользуемся формулой:
5 классов * (10 признаков + 1 bias) = 5 * 11 = 55
У многоклассовой логистической регрессии вместо вектора весов используется матрица, количество строк в которой соответствует количеству классов, а количество столбцов — количеству признаков. К признакам мы прибавляем +1, так как используем bias.
2️⃣ Здесь нужно знать, что в NumPy оператор * выполняет поэлементное умножение массивов, а оператор @ — матричное умножение.
3️⃣ Этот код перебирает все элементы i в списке lst и проверяет остаток от деления i на 2. В Python ноль считается False, а любое ненулевое значение считается True. Поскольку чётные числа дают остаток 0 при делении на 2, они будут исключены, а нечётные числа, дающие остаток 1, будут включены в новый список.
#разбор_задач
1️⃣ Чтобы подсчитать количество настраиваемых параметров в логистической регрессии для 5 классов и 10 признаков с bias, воспользуемся формулой:
5 классов * (10 признаков + 1 bias) = 5 * 11 = 55
У многоклассовой логистической регрессии вместо вектора весов используется матрица, количество строк в которой соответствует количеству классов, а количество столбцов — количеству признаков. К признакам мы прибавляем +1, так как используем bias.
2️⃣ Здесь нужно знать, что в NumPy оператор * выполняет поэлементное умножение массивов, а оператор @ — матричное умножение.
3️⃣ Этот код перебирает все элементы i в списке lst и проверяет остаток от деления i на 2. В Python ноль считается False, а любое ненулевое значение считается True. Поскольку чётные числа дают остаток 0 при делении на 2, они будут исключены, а нечётные числа, дающие остаток 1, будут включены в новый список.
#разбор_задач