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.
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.
- 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
- 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
- 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
- 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
- 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
- Která aplikace je klasickým využitím detekce anomálií?
- Odhalování podvodných transakcí kreditními kartami
- Řazení fotografií podle abecedy
- Překlad textu mezi jazyky
- Komprese video souborů
- 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
- 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