Тест за откриване на дрейф на модел

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква е разликата между отклонението на данните и отклонението на концепцията?
   • Дрейфът на данните променя разпределението на входовете; отклонението на концепцията променя връзката вход-изход
   • Това са две имена за едно и също нещо
   • Дрейфът на данните засяга само изображенията; отклонението на концепцията засяга само текста
   • Дрейфът на данните се случва в обучението; отклонение на концепцията се случва при тестване
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. Защо откриването на дрейф, базирано на входни данни, може да даде ранно предупреждение?
   • Защото входовете винаги са първи грешни
   • Тъй като входовете са по-малки файлове
   • Тъй като етикетите на основната истина често пристигат много по-късно от прогнозите
   • Тъй като моделите напълно пренебрегват етикетите
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Кой сценарий е ясен пример за отклонение на концепцията?
   • Това, което потребителите смятат за „спам“, се променя с течение на времето дори за подобни на вид имейли
   • Камерата създава малко по-ярки изображения
   • Възрастта на клиентите в набора от данни остава същата
   • Наборът от данни се съхранява в нов файлов формат
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data