Mit dem Guide verknüpftes Quiz · Mittel Ebene

Naive Bayes-Klassifikatoren-Quiz

Überprüfen Sie, wie Naive Bayes Klassenprioritäten und Merkmalswahrscheinlichkeiten kombiniert und wie seine Varianten mit Zählungen, binären Merkmalen und kontinuierlichen Daten umgehen.

Verwandte FührungspfadeNaive Bayes-Klassifikatoren
Frage 1 von 8

Was ist die zentrale „naive“ Annahme in einem Naive-Bayes-Klassifikator?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was ist die zentrale „naive“ Annahme in einem Naive-Bayes-Klassifikator?
    • Features sind angesichts der Klasse bedingt unabhängig
    • Klassen sind gleich wahrscheinlich
    • Alle Merkmale sind stetig und normalverteilt
    • Der Datensatz ist perfekt ausbalanciert
  2. Auf welchem Satz basiert Naive Bayes?
    • Der zentrale Grenzwertsatz
    • Bayes’ theorem
    • Das Gesetz der großen Zahlen
    • The Cauchy-Schwarz inequality
  3. Warum summieren Implementierungen normalerweise Log-Wahrscheinlichkeiten, anstatt Rohwahrscheinlichkeiten zu multiplizieren?
    • Um das Modell nichtlinear zu machen
    • Um das Training auf einen einzigen Durchgang zu beschleunigen
    • Um einen numerischen Unterlauf durch die Multiplikation vieler kleiner Zahlen zu vermeiden
    • Um die Funktionsunabhängigkeit zu erzwingen
  4. Welches Problem löst die Laplace-Glättung (Add-One-Glättung)?
    • Es gleicht die Klassengrößen aus
    • Es normalisiert kontinuierliche Merkmale
    • Es entfernt korrelierte Features
    • Es verhindert, dass ein unsichtbares Merkmal eine Wahrscheinlichkeit von Null erzwingt
  5. Welche Naive-Bayes-Variante eignet sich am besten für Wortzählfunktionen in Dokumenten?
    • Multinomiale Naive Bayes
    • Gaußscher naiver Bayes
    • Bernoulli Naive Bayes
    • Lineare naive Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Es garantiert die beste Genauigkeit für jeden Datensatz
    • Es ist schnell, interpretierbar und funktioniert gut mit wenigen Daten
    • Es lernt automatisch Funktionsinteraktionen
    • Es sind keine Trainingsdaten erforderlich
  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