গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
ক্লাস ভারসাম্যহীনতা এবং পুনরায় নমুনা কুইজ
বিরল ক্লাসগুলিকে কখন পুনরায় নমুনা বা রিওয়েট করতে হবে, কীভাবে ডেটা ফাঁস হয় এবং ক্লাস ভারসাম্যহীনতার অধীনে কোন মেট্রিকগুলি কার্যকর থাকে তা পরীক্ষা করে।
প্রশ্ন 1 এর 8
কেন সাধারণ নির্ভুলতা একটি অত্যন্ত ভারসাম্যহীন শ্রেণীবিভাগ সমস্যার জন্য একটি দুর্বল মেট্রিক?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- কেন সাধারণ নির্ভুলতা একটি অত্যন্ত ভারসাম্যহীন শ্রেণীবিভাগ সমস্যার জন্য একটি দুর্বল মেট্রিক?
- একটি মডেল সবসময় সংখ্যাগরিষ্ঠ শ্রেণীর ভবিষ্যদ্বাণী করে খুব উচ্চ স্কোর করতে পারে
- ক্লাস ভারসাম্যহীন হলে সঠিকতা গণনা করা যায় না
- সঠিকতা শুধুমাত্র রিগ্রেশনের জন্য কাজ করে
- এটি সংজ্ঞায়িত করার জন্য পুরোপুরি সুষম ডেটা প্রয়োজন
- SMOTE কি করে?
- এলোমেলোভাবে সংখ্যাগরিষ্ঠ-শ্রেণীর নমুনা মুছে দেয়
- প্রতিবেশীদের মধ্যে ইন্টারপোলেট করে সিন্থেটিক সংখ্যালঘু নমুনা তৈরি করে
- বিরল ক্লাসের জন্য শেখার হার বৃদ্ধি করে
- একটি শ্রেণীবিভাগ সমস্যাকে রিগ্রেশনে রূপান্তর করে
- কোন পদ্ধতিটি প্রশিক্ষণের উদাহরণের সংখ্যা পরিবর্তন না করে ভারসাম্যহীনতা পরিচালনা করে?
- র্যান্ডম ওভারস্যাম্পলিং
- সংখ্যাগরিষ্ঠ আন্ডারস্যাম্পলিং
- লস ফাংশনে ক্লাস ওয়েটিং
- SMOTE
- ট্রেন এবং পরীক্ষা সেটে আপনার ডেটা বিভক্ত করার আগে ওভারস্যাম্পলিং প্রয়োগ করার মূল ঝুঁকি কী?
- এটি প্রশিক্ষণকে ধীর করে তোলে
- এটি সংখ্যাগরিষ্ঠ শ্রেণী মুছে দেয়
- এটা সবসময় underfitting কারণ
- নকল বা সিন্থেটিক সংখ্যালঘু পয়েন্ট পরীক্ষার সেটে ফাঁস করতে পারে, স্কোর বাড়াতে পারে
- র্যান্ডম আন্ডারস্যাম্পলিং এর প্রধান খারাপ দিক কি?
- এটি সম্ভাব্য উপযোগী সংখ্যাগরিষ্ঠ-শ্রেণীর ডেটা বাতিল করে
- এটি জাল ডেটা তৈরি করে যা অবাস্তব হতে পারে
- এটি শুধুমাত্র ইমেজ ডেটার জন্য কাজ করে
- এটা সবসময় প্রশিক্ষণ সময় বৃদ্ধি
- বিরল-ইতিবাচক ডেটাতে একটি মডেল মূল্যায়নের জন্য কোন মেট্রিকটি সবচেয়ে উপযুক্ত?
- সামগ্রিক নির্ভুলতা
- যথার্থ-রিকল AUC বা F1 স্কোর
- বর্গাকার ত্রুটির গড়
- প্রশিক্ষণ যুগের সংখ্যা
- 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
- Which metric does the guide name as an additional option for rare-positive classification?
- Mean squared error only
- BLEU score
- Silhouette coefficient
- Matthews Correlation Coefficient (MCC)