Тест, свързан с ръководство · Среден Ниво

Тест за наивни класификатори на Бейс

Проверете как Naive Bayes съчетава предишни класове и вероятности на характеристиките и как неговите варианти се справят с броя, двоичните характеристики и непрекъснатите данни.

Свързани ръководни пътекиНаивни байесови класификатори
Въпрос 1 на 8

Какво е основното „наивно“ предположение в класификатора на Naive Bayes?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво е основното „наивно“ предположение в класификатора на Naive Bayes?
    • Характеристиките са условно независими от класа
    • Класовете са еднакво вероятни
    • Всички функции са непрекъснати и нормално разпределени
    • Наборът от данни е перфектно балансиран
  2. Върху коя теорема е изграден Naive Bayes?
    • Централната гранична теорема
    • Bayes’ theorem
    • Законът за големите числа
    • The Cauchy-Schwarz inequality
  3. Защо имплементациите обикновено сумират логаритмичните вероятности, вместо да умножават необработените вероятности?
    • За да направите модела нелинеен
    • За да ускорите обучението до едно преминаване
    • За да избегнете числено препълване от умножаване на много малки числа
    • За налагане на независимост на функциите
  4. Какъв проблем решава изглаждането на Лаплас (добавено)?
    • Балансира размерите на класовете
    • Нормализира непрекъснатите функции
    • Той премахва корелирани функции
    • Той не позволява на невидима функция да наложи нулева вероятност
  5. Кой вариант на Naive Bayes е най-естествен за функции за броене на думи в документи?
    • Мултиномен наивен Бейс
    • Гаус наивен Байес
    • Наивен Байес на Бернули
    • Линеен наивен Бейс
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Той гарантира най-добрата точност на всеки набор от данни
    • Той е бърз, интерпретируем и работи добре с малко данни
    • Той автоматично научава взаимодействията на функциите
    • Не изисква данни за обучение
  7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
    • A uniform distribution over every possible value
    • A multinomial distribution over word counts
    • A Gaussian (normal) distribution
    • A distribution that is always exactly zero
  8. Which feature representation fits Bernoulli Naive Bayes most naturally?
    • The number of times each word occurs
    • A continuous pixel intensity modeled by a normal curve
    • A sequence of audio frames
    • Whether each word is present or absent in a document