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.
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.
- 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
- 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
- Který přístup řeší nerovnováhu, aniž by se měnil počet tréninkových příkladů?
- Náhodné převzorkování
- Podvzorkování většiny
- Třídní vážení ve ztrátové funkci
- SMOTE
- 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
- 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
- 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
- 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)