Kvíz spojený s průvodcem · Střední úroveň

Kvíz detekce anomálií

Posuďte, proč je obtížné označit anomálie, jak se liší Isolation Forest a metody místní hustoty a proč se mohou rozmístěné základní linie posunout.

Související vodicí cestyDetekce anomálií
Otázka 1 z 8

Proč jsou modely detekce anomálií často trénovány spíše na „normálních“ datech než na označených anomáliích?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč jsou modely detekce anomálií často trénovány spíše na „normálních“ datech než na označených anomáliích?
    • Označování normálních dat je nezákonné
    • Modely vůbec neumí zpracovat anomálie
    • Normální data nevyžadují žádné výpočty
    • Anomálie jsou vzácné a označené příklady jsou vzácné
  2. Jak les izolace identifikuje anomálii?
    • Anomálie jsou izolovány v menším počtu náhodných rozdělení, což vede ke kratším délkám cesty
    • Anomálie vyžadují mnoho náhodných rozdělení k izolaci
    • Měří barvu každého datového bodu
    • Nejprve seskupuje body podle jejich štítků
  3. Co signalizuje anomálii, když se pro detekci anomálie používá autokodér?
    • Nízká chyba rekonstrukce
    • Vysoká chyba rekonstrukce na neznámém vstupu
    • Rychlejší tréninkový čas
    • Více vrstev v síti
  4. Na čem metoda Local Outlier Factor primárně spoléhá?
    • Abecední pořadí prvků
    • Celková velikost souboru datové sady
    • Hustota bodů kolem daného bodu
    • Pevný seznam známých případů podvodu
  5. Jaká je reálná výzva pro nasazené systémy detekce anomálií?
    • Anomálie se v průběhu času nikdy nemění
    • Normální data jsou vždy perfektně označena
    • Odlehlé hodnoty vždy tvoří většinu dat
    • Definice „normálního“ se může měnit, což vyžaduje přizpůsobení
  6. Která aplikace je klasickým využitím detekce anomálií?
    • Odhalování podvodných transakcí kreditními kartami
    • Řazení fotografií podle abecedy
    • Překlad textu mezi jazyky
    • Komprese video souborů
  7. What does the contamination setting commonly represent in an Isolation Forest workflow?
    • The number of training trees that contain audio
    • An assumed or expected proportion of outliers used for thresholding
    • The probability a record was encrypted
    • The average depth of a normal point
  8. Why should anomaly scores be reviewed with domain context?
    • An anomaly score always proves fraud
    • All normal data has an identical distribution
    • Rare but valid events can look unusual, and errors have different costs
    • A model score replaces an investigation