Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur Anomalieerkennung

Bewerten Sie, warum Anomalien schwer zu kennzeichnen sind, wie sich Isolation Forest- und lokale Dichtemethoden unterscheiden und warum bereitgestellte Basislinien abweichen können.

Verwandte FührungspfadeAnomalieerkennung
Frage 1 von 8

Warum werden Anomalieerkennungsmodelle oft hauptsächlich auf „normale“ Daten und nicht auf gekennzeichnete Anomalien trainiert?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Warum werden Anomalieerkennungsmodelle oft hauptsächlich auf „normale“ Daten und nicht auf gekennzeichnete Anomalien trainiert?
    • Es ist illegal, normale Daten zu kennzeichnen
    • Modelle können Anomalien überhaupt nicht verarbeiten
    • Normale Daten erfordern keine Berechnung
    • Anomalien sind selten und gekennzeichnete Beispiele sind rar
  2. Wie erkennt ein Isolation Forest eine Anomalie?
    • Anomalien werden in weniger zufälligen Teilungen isoliert, was zu kürzeren Pfadlängen führt
    • Für die Isolierung von Anomalien sind viele zufällige Aufteilungen erforderlich
    • Es misst die Farbe jedes Datenpunkts
    • Es gruppiert Punkte zunächst nach ihren Beschriftungen
  3. Was signalisiert eine Anomalie, wenn ein Autoencoder zur Anomalieerkennung verwendet wird?
    • Geringer Rekonstruktionsfehler
    • Hoher Rekonstruktionsfehler bei unbekannter Eingabe
    • Eine schnellere Trainingszeit
    • Weitere Schichten im Netzwerk
  4. Worauf basiert die Methode des lokalen Ausreißerfaktors hauptsächlich?
    • Die alphabetische Reihenfolge der Features
    • Die Gesamtdateigröße des Datensatzes
    • Die Dichte der Punkte um einen bestimmten Punkt
    • Eine feste Liste bekannter Betrugsfälle
  5. Was ist eine realistische Herausforderung für eingesetzte Anomalieerkennungssysteme?
    • Anomalien ändern sich im Laufe der Zeit nie
    • Normale Daten sind immer perfekt beschriftet
    • Ausreißer machen immer den Großteil der Daten aus
    • Die Definition von „normal“ kann abweichen und erfordert eine Anpassung
  6. Bei welcher Anwendung kommt die Anomalieerkennung klassisch zum Einsatz?
    • Erkennung betrügerischer Kreditkartentransaktionen
    • Fotos alphabetisch sortieren
    • Text zwischen Sprachen übersetzen
    • Komprimieren von Videodateien
  7. What does the contamination setting commonly represent in an Isolation Forest workflow?
    • The number of training trees that contain audio
    • An assumed or expected proportion of outliers used for thresholding
    • The probability a record was encrypted
    • The average depth of a normal point
  8. Why should anomaly scores be reviewed with domain context?
    • An anomaly score always proves fraud
    • All normal data has an identical distribution
    • Rare but valid events can look unusual, and errors have different costs
    • A model score replaces an investigation