Kvíz spojený s průvodcem · Střední úroveň
Naivní Bayesův kvíz klasifikátorů
Zkontrolujte, jak Naive Bayes kombinuje předchozí třídy a pravděpodobnosti funkcí a jak její varianty zvládají počty, binární prvky a spojitá data.
Otázka 1 z 8
Jaký je základní „naivní“ předpoklad v klasifikátoru Naive Bayes?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaký je základní „naivní“ předpoklad v klasifikátoru Naive Bayes?
- Funkce jsou podmíněně nezávislé na dané třídě
- Třídy jsou stejně pravděpodobné
- Všechny prvky jsou spojité a normálně rozmístěné
- Dataset je dokonale vyvážený
- Na jaké větě je Naivní Bayes postaven?
- Centrální limitní věta
- Bayes’ theorem
- Zákon velkých čísel
- The Cauchy-Schwarz inequality
- Proč implementace obvykle sčítají logaritmické pravděpodobnosti místo násobení hrubých pravděpodobností?
- Aby byl model nelineární
- Pro urychlení tréninku na jeden průchod
- Aby se zabránilo podtečení čísel při násobení mnoha malých čísel
- Prosadit nezávislost funkcí
- Jaký problém řeší Laplaceovo (add-one) vyhlazování?
- Vyrovnává velikost tříd
- Normalizuje spojité rysy
- Odstraňuje související funkce
- Zabraňuje neviditelnému prvku vynutit pravděpodobnost nula
- Která varianta Naive Bayes je nejpřirozenější pro prvky s počtem slov v dokumentech?
- Multinomický naivní Bayes
- Gaussův naivní Bayes
- Bernoulli Naivní Bayes
- Lineární naivní Bayes
- Why might Naive Bayes be useful as a lightweight baseline?
- Zaručuje nejvyšší přesnost na jakémkoli datovém souboru
- Je rychlý, interpretovatelný a funguje dobře s malým množstvím dat
- Automaticky se učí interakce funkcí
- Nevyžaduje žádná tréninková data
- What distribution does Gaussian Naive Bayes assume for each feature within a class?
- A uniform distribution over every possible value
- A multinomial distribution over word counts
- A Gaussian (normal) distribution
- A distribution that is always exactly zero
- Which feature representation fits Bernoulli Naive Bayes most naturally?
- The number of times each word occurs
- A continuous pixel intensity modeled by a normal curve
- A sequence of audio frames
- Whether each word is present or absent in a document