Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ ανισορροπίας τάξης και επαναδειγματοληψίας

Ελέγχει πότε πρέπει να γίνει εκ νέου δειγματοληψία ή επαναστάθμιση σπάνιων κλάσεων, πώς προκύπτει η διαρροή δεδομένων και ποιες μετρήσεις παραμένουν χρήσιμες σε περίπτωση ανισορροπίας κλάσεων.

Σχετικές διαδρομές οδηγώνΑνισορροπία τάξης και επαναδειγματοληψία
Ερώτηση 1 του 8

Γιατί η απλή ακρίβεια είναι μια κακή μέτρηση για ένα εξαιρετικά ανισόρροπο πρόβλημα ταξινόμησης;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Γιατί η απλή ακρίβεια είναι μια κακή μέτρηση για ένα εξαιρετικά ανισόρροπο πρόβλημα ταξινόμησης;
    • Ένα μοντέλο μπορεί να σκοράρει πολύ ψηλά απλά προβλέποντας πάντα την πλειοψηφική κατηγορία
    • Η ακρίβεια δεν μπορεί να υπολογιστεί όταν οι κλάσεις είναι ανισορροπημένες
    • Η ακρίβεια λειτουργεί μόνο για παλινδρόμηση
    • Απαιτεί τον καθορισμό απόλυτα ισορροπημένων δεδομένων
  2. Τι κάνει το SMOTE;
    • Διαγράφει τυχαία δείγματα της πλειοψηφικής κατηγορίας
    • Δημιουργεί συνθετικά δείγματα μειοψηφίας με παρεμβολή μεταξύ γειτόνων
    • Αυξάνει το ποσοστό μάθησης για σπάνιες τάξεις
    • Μετατρέπει ένα πρόβλημα ταξινόμησης σε παλινδρόμηση
  3. Ποια προσέγγιση χειρίζεται την ανισορροπία ΧΩΡΙΣ αλλαγή του αριθμού των παραδειγμάτων εκπαίδευσης;
    • Τυχαία υπερδειγματοληψία
    • Υποδειγματοληψία της πλειοψηφίας
    • Στάθμιση κλάσης στη συνάρτηση απώλειας
    • SMOTE
  4. Ποιος είναι ο βασικός κίνδυνος εφαρμογής υπερδειγματοληψίας προτού χωρίσετε τα δεδομένα σας σε σετ τρένων και δοκιμών;
    • Κάνει την προπόνηση πιο αργή
    • Διαγράφει την πλειοψηφική τάξη
    • Προκαλεί πάντα υποκατάσταση
    • Διπλοί ή συνθετικοί πόντοι μειοψηφίας μπορεί να διαρρεύσουν στο σετ δοκιμών, διογκώνοντας τις βαθμολογίες
  5. Ποιο είναι το κύριο μειονέκτημα της τυχαίας υποδειγματοληψίας;
    • Απορρίπτει δυνητικά χρήσιμα δεδομένα της πλειοψηφικής κατηγορίας
    • Δημιουργεί πλαστά δεδομένα που μπορεί να είναι μη ρεαλιστικά
    • Λειτουργεί μόνο για δεδομένα εικόνας
    • Πάντα αυξάνει τον χρόνο προπόνησης
  6. Ποια μέτρηση είναι η καταλληλότερη για την αξιολόγηση ενός μοντέλου σε σπάνια θετικά δεδομένα;
    • Συνολική ακρίβεια
    • Ακρίβεια-Ανάκληση βαθμολογία AUC ή F1
    • Μέσο τετράγωνο σφάλμα
    • Αριθμός εποχών εκπαίδευσης
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)