Тест, свързан с ръководство · Среден Ниво

Тест за дисбаланс на класа и повторно вземане на проби

Тества кога да се направи повторна извадка или претеглене на редки класове, как възниква изтичане на данни и кои показатели остават полезни при дисбаланс на класовете.

Свързани ръководни пътекиДисбаланс на класа и повторно вземане на проби
Въпрос 1 на 8

Защо обикновената точност е лоша метрика за силно небалансиран проблем с класификацията?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Защо обикновената точност е лоша метрика за силно небалансиран проблем с класификацията?
    • Един модел може да получи много висок резултат само като винаги прогнозира класа на мнозинството
    • Точността не може да бъде изчислена, когато класовете са дисбалансирани
    • Точността работи само за регресия
    • Изисква да бъдат дефинирани перфектно балансирани данни
  2. Какво прави SMOTE?
    • Изтрива проби от мажоритарен клас произволно
    • Генерира синтетични малцинствени проби чрез интерполация между съседи
    • Увеличава скоростта на учене за редки класове
    • Преобразува класификационен проблем в регресия
  3. Кой подход се справя с дисбаланса, БЕЗ да променя броя на примерите за обучение?
    • Случайно свръхсемплиране
    • Подбор на мнозинството
    • Класово тегло във функцията на загубите
    • ПОМАГАТЕ
  4. Какъв е основният риск от прилагане на свръхсемплиране, преди да разделите данните си на обучаващи и тестови набори?
    • Това прави обучението по-бавно
    • Изтрива класата на мнозинството
    • Винаги причинява недостатъчно оборудване
    • Дублирани или синтетични миноритарни точки могат да изтекат в тестовия комплект, увеличавайки резултатите
  5. Какъв е основният недостатък на случайното вземане на недостатъчна извадка?
    • Той отхвърля потенциално полезни данни от мажоритарен клас
    • Той създава фалшиви данни, които може да са нереалистични
    • Работи само за данни за изображения
    • Винаги увеличава времето за обучение
  6. Кой показател е най-подходящ за оценка на модел върху рядко положителни данни?
    • Цялостна точност
    • Precision-Recall AUC или F1 резултат
    • Средна квадратна грешка
    • Брой тренировъчни епохи
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU резултат
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)