Тест, свързан с ръководство · лесно Ниво

Тест за матрици на объркване

Прегледайте как преброяването на матрицата на объркването разкрива грешки в класификатора, поддържа общи показатели и варира в различните класове и библиотечни конвенции.

Свързани ръководни пътекиМатрици на объркване
Въпрос 1 на 8

В двоична матрица на объркване, какво е фалшиво отрицателно?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. В двоична матрица на объркване, какво е фалшиво отрицателно?
    • Положителен случай, който моделът неправилно прогнозира като отрицателен
    • Отрицателно правилно прогнозирано като отрицателно
    • Негативно неправилно прогнозирано като положително
    • Положително правилно прогнозирано като положително
  2. Точността се изчислява като:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / общо
  3. Кой показател измерва дела на действителните положителни резултати, които моделът правилно идентифицира?
    • Прецизност
    • Специфичност
    • Припомнете си
    • точност
  4. В матрица на объркване за проблем с 5 класа какво представляват диагоналните клетки?
    • Неправилни прогнози
    • Само фалшиви положителни резултати
    • Общият брой на пробите
    • Правилни прогнози за всеки клас
  5. Защо само точността може да бъде подвеждаща без матрица за объркване?
    • Той скрива баланса между различни типове грешки като фалшиви положителни и фалшиви отрицателни резултати
    • Точността винаги е грешна
    • Не може да се изчисли за двоични проблеми
    • Изисква вероятности вместо етикети
  6. Резултатът F1 е средната хармонична стойност на кои два показателя?
    • Точност и конкретност
    • Прецизност и припомняне
    • Чувствителност и специфичност
    • Истински позитиви и истински негативи
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation