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.

Související vodicí cestyNaivní Bayesovy klasifikátory
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.

  1. 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
  2. Na jaké větě je Naivní Bayes postaven?
    • Centrální limitní věta
    • Bayes’ theorem
    • Zákon velkých čísel
    • The Cauchy-Schwarz inequality
  3. 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
  4. Jaký problém řeší Laplaceovo (add-one) vyhlazování?
    • Vyrovnává velikost tříd
    • Normalizuje spojité rysy
    • Odstraňuje související funkce
    • Zabraňuje neviditelnému prvku vynutit pravděpodobnost nula
  5. 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
  6. 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
  7. 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
  8. 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