Kvíz spojený s průvodcem · Střední úroveň

Konformní předpovědní kvíz

Kontroluje sady konformních predikcí, zaměnitelnost, skóre kalibrace, kvantilové prahy a předpoklady za pokrytím konečných vzorků.

Související vodicí cestyKonformní předpověď
Otázka 1 z 8

Co přináší metoda konformní predikce namísto jediného štítku?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co přináší metoda konformní predikce namísto jediného štítku?
    • Sada predikcí nebo interval se zárukou pokrytí
    • Přeškolený model s vyšší přesností
    • Jednobodový odhad bez nejistoty
    • Hodnota ztráty pro tréninkovou sadu
  2. Který předpoklad je základem standardní záruky konformního krytí?
    • Model je neuronová síť
    • Datové body jsou vyměnitelné
    • Funkce jsou na sobě nezávislé
    • Štítky jsou dokonale vyvážené
  3. Jakou roli hraje kalibrační sada?
    • Trénovat základní model
    • Chcete-li vybrat rychlost učení
    • Vypočítat skóre neshody, které stanoví práh
    • Odstranění odlehlých hodnot z tréninkových dat
  4. Pokud nastavíte alfa = 0,1, na jaké pokrytí cílíte?
    • 10 %
    • 50 %
    • 99 %
    • 90 %
  5. Co se obvykle stane se sadou predikcí, když je model velmi nejistý ohledně vstupu?
    • Sada se zvětšuje a obsahuje více kandidátských štítků
    • Sada se vyprázdní
    • Práh je ignorován
    • Model se automaticky přeškolí
  6. Proč se konformní predikce nazývá „bez distribuce“?
    • Funguje pouze na Gaussových datech
    • Pro garanci pokrytí nevyžaduje žádný parametrický předpoklad o distribuci dat
    • Úplně zahodí distribuci dat
    • Předpokládá rovnoměrné rozložení
  7. A split-conformal classifier has 99 calibration examples and targets 90% marginal coverage. Which rank is used for the calibration quantile?
    • The 10th ordered score
    • The 99th score only
    • The 90th ordered calibration score (ceil((99+1) × 0.9))
    • The average of all labels
  8. In classification, what can a nonconformity score such as 1 minus the candidate label probability represent?
    • Počet tréninkových epoch
    • The probability that the calibration set is exchangeable
    • The class frequency in the test set
    • How poorly the model supports that candidate label for the example