Kvíz spojený s průvodcem · Střední úroveň

Kvíz o nerovnováze třídy a převzorkování

Testuje, kdy převzorkovat nebo přehodnotit vzácné třídy, jak dochází k úniku dat a které metriky zůstávají užitečné při nevyváženosti tříd.

Související vodicí cestyNerovnováha třídy a převzorkování
Otázka 1 z 8

Proč je prostá přesnost špatnou metrikou pro vysoce nevyvážený klasifikační problém?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč je prostá přesnost špatnou metrikou pro vysoce nevyvážený klasifikační problém?
    • Model může skórovat velmi vysoko jen tím, že vždy předpovídá většinovou třídu
    • Přesnost nelze vypočítat, když jsou třídy nevyvážené
    • Přesnost funguje pouze pro regresi
    • Vyžaduje to, aby byla definována dokonale vyvážená data
  2. Co dělá SMOTE?
    • Náhodně odstraní vzorky většinové třídy
    • Generuje syntetické menšinové vzorky interpolací mezi sousedy
    • Zvyšuje rychlost učení u vzácných tříd
    • Převede klasifikační problém na regresi
  3. Který přístup řeší nerovnováhu, aniž by se měnil počet tréninkových příkladů?
    • Náhodné převzorkování
    • Podvzorkování většiny
    • Třídní vážení ve ztrátové funkci
    • SMOTE
  4. Jaké je klíčové riziko použití převzorkování před rozdělením dat na vlakové a testovací sady?
    • Zpomaluje trénink
    • Odstraňuje třídu většiny
    • Vždy to způsobí nedostatečné vybavení
    • Duplicitní nebo syntetické menšinové body mohou uniknout do testovací sady a nafouknout skóre
  5. Jaká je hlavní nevýhoda náhodného podvzorkování?
    • Zahazuje potenciálně užitečná data majoritní třídy
    • Vytváří falešná data, která mohou být nerealistická
    • Funguje pouze pro obrazová data
    • Vždy to prodlužuje dobu tréninku
  6. Která metrika je nejvhodnější pro vyhodnocení modelu na vzácně pozitivních datech?
    • Celková přesnost
    • Precision-Recall AUC nebo skóre F1
    • Střední kvadratická chyba
    • Počet tréninkových epoch
  7. 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
  8. 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)