Øving 1

Question 1

Hvordan skal vi alltid representere X i maskinlæring?

Answer 1

Som en 2D-matrise med form (n_samples, n_features).

Question 2

Hva betyr shape i Numpy?

Answer 2

Shape forteller dimensjonene på en array.

Question 3

Hva betyr shape = (3,) i NumPy?

Answer 3

En 1D-array med 3 elementer, uten rader/kolonner (flat liste).

Question 4

Hvordan ser en array med shape = (3,) ut?

Answer 4

[1 2 3]

Question 5

Hva betyr shape = (3,1) i NumPy?

Answer 5

A: En 2D-array med 3 rader og 1 kolonne (kolonnevektor).

Question 6

Hvordan skal vi alltid representere y i logistisk regresjon?

Answer 6

Som en 1D-array (radvektor) med form (n_samples,).

Question 7

Hvordan ser en array med shape = (3,1) ut?

Answer 7

[1]
[2]
[3]

Question 8

Hva betyr shape = (1,3) i NumPy?

Answer 8

En 2D-array med 1 rad og 3 kolonner (radvektor i 2D-form).

Question 9

Hvordan ser en array med shape = (1,3) ut?

Answer 9

[1 2 3]

Question 10

Hvorfor er shape = (3,) mindre tydelig enn (3,1) eller (1,3)?

Answer 10

Fordi (3,) bare er en flat vektor, ikke en matrise — det sier ikke om vi mener rader eller kolonner.

Question 11

Hva betyr hver rad i X?

Answer 11

Ett datapunkt (ett sample).

Question 12

Hva betyr hver kolonne i X?

Answer 12

Én feature (én forklaringsvariabel).

Question 13

Hvorfor konverterer vi en 1D-array X = [1,2,3] til X.reshape(-1,1)?

Answer 13

For å gjøre det tydelig at vi har tre samples med én feature: form (3,1) i stedet for (3,).

Question 14

Hva skjer hvis y er en kolonnevektor (n,1) i stedet for en radvektor (n,)?

Answer 14

Operasjoner som p - y gir shape-konflikt ((n,) vs (n,1)), og du får ValueError.

Question 15

Hvorfor matcher X @ w naturlig med y når vi bruker riktige shapes?

Answer 15

Fordi X @ w gir en array (n,), som har samme shape som y (n,).

Question 16

Eksempel: Hvis X har shape (3,2) og w har shape (2,), hva blir resultatet av X @ w?

Answer 16

En array med shape (3,), altså én prediksjon per sample.

Question 17

Hva er den pedagogiske tommelfingerregelen for shapes i logistisk regresjon?

Answer 17

X er alltid 2D (samples × features), y er alltid 1D (samples).

Question 18

Answer 18

Question 19

Answer 19

Question 20

Hva gjør .reshape(a, b) i NumPy?

Answer 20

Endrer formen (shape) på arrayen til å ha a rader og b kolonner uten å endre innholdet.

Question 21

Hva betyr -1 i .reshape(-1, 1)?

Answer 21

-1 lar NumPy automatisk beregne hvor mange rader det skal bli ut fra lengden på arrayen.

Question 22

Hva gjør X.reshape(-1,1) med en array X som har shape (3,)?

Answer 22

Den blir til shape (3,1), altså en kolonnevektor.

Question 23

Hva gjør y.reshape(-1) på en array med shape (3,1)?

Answer 23

Den flater den ut til shape (3,), en 1D-array.

Question 24

Hva gjør koden n_samples, n_features = X.shape når X er en 2D-array?

Answer 24

Den deler tuplen X.shape opp i to variabler: n_samples får antall rader (samples), og n_features får antall kolonner (features).

Eksempel: Hvis X.shape == (100, 3), da blir n_samples = 100 og n_features = 3.

Question 25

Hva betyr y.shape = (n_samples,)?

Answer 25

Én label per sample (flat 1D-vektor).

Question 26

Hvorfor gjør vi if X.ndim == 1: X = X.reshape(-1, 1)?

Answer 26

For å gjøre én feature om til en tydelig kolonne: (n,1) i stedet for (n,).

Question 27

Hva gjør y = np.asarray(y, dtype=float).reshape(-1)?

Answer 27

Flater y til 1D (n,) uansett om den var (n,1) eller (n,) fra før.

Question 28

Hva betyr @ i X @ w?

Answer 28

Matrise-vektor-produkt (lineær algebra). Gir form (n_samples,) når X er (n, d) og w er (d,).

Question 29

Hva betyr X.T?

Answer 29

Transponering (bytter rader/kolonner): (n, d) → (d, n).

Question 30

Hvorfor bruker vi X.T @ err i gradienten?

Answer 30

Det gir en gradient per feature: (d, n) @ (n,) → (d,), som matcher w.

Question 31

Hva er predict_proba vs predict?

Answer 31

predict_proba: sannsynlighet σ(Xw + c) i [0,1]. predict: klasser (0/1) via terskel, f.eks. (proba >= 0.5).

Question 32

Hvorfor initialiseres self.w i fit() og ikke i __init__?

Answer 32

Lengden på w avhenger av antall features (n_features), som vi først vet i fit().

Question 33

Hva er induktiv bias i maskinlæring?

Answer 33

Induktiv bias er settet med antakelser en modell gjør om dataene for å kunne generalisere fra treningssettet til nye, usette eksempler. Uten slike antakelser kan ikke modellen velge én forklaring fremfor en annen. Eksempel: Logistisk regresjon antar at klassene kan skilles med en lineær grense.

Question 34

Hva er den induktive biasen til beslutningstrær?

Answer 34

At data kan forklares ved å dele opp rommet i hierarkiske if–then-regler.