Mit dem Guide verknüpftes Quiz · Einfach Ebene

Verwirrungsmatrizen-Quiz

Sehen Sie sich an, wie Konfusionsmatrix-Zählungen Klassifikatorfehler aufdecken, gängige Metriken unterstützen und je nach Klassen- und Bibliothekskonvention variieren.

Verwandte FührungspfadeVerwirrungsmatrizen
Frage 1 von 8

Was ist in einer binären Verwirrungsmatrix ein falsch negatives Ergebnis?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was ist in einer binären Verwirrungsmatrix ein falsch negatives Ergebnis?
    • Ein positiver Fall wurde vom Modell fälschlicherweise als negativ vorhergesagt
    • Ein Negativ wurde korrekt als negativ vorhergesagt
    • Ein Negativ wurde fälschlicherweise als positiv vorhergesagt
    • Ein Positiv wird korrekt als positiv vorhergesagt
  2. Die Präzision wird wie folgt berechnet:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / gesamt
  3. Welche Metrik misst den Anteil der tatsächlich positiven Ergebnisse, die das Modell korrekt identifiziert?
    • Präzision
    • Spezifität
    • Rückruf
    • Genauigkeit
  4. Was stellen die diagonalen Zellen in einer Verwirrungsmatrix für ein Problem mit 5 Klassen dar?
    • Falsche Vorhersagen
    • Nur falsch positive Ergebnisse
    • Die Gesamtzahl der Proben
    • Richtige Vorhersagen für jede Klasse
  5. Warum kann Genauigkeit allein ohne eine Verwirrungsmatrix irreführend sein?
    • Es verbirgt das Gleichgewicht zwischen verschiedenen Fehlertypen wie falsch-positiven und falsch-negativen Ergebnissen
    • Genauigkeit ist immer falsch
    • Es kann nicht für binäre Probleme berechnet werden
    • Es erfordert Wahrscheinlichkeiten anstelle von Etiketten
  6. Der F1-Score ist das harmonische Mittel welcher beiden Metriken?
    • Genauigkeit und Spezifität
    • Präzision und Erinnerung
    • Sensitivität und Spezifität
    • Echtes Positives und wahres Negatives
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation