Κουίζ που συνδέεται με οδηγό · Εύκολο Επίπεδο

Κουίζ για μήτρες σύγχυσης

Εξετάστε πώς οι μετρήσεις μητρών σύγχυσης αποκαλύπτουν σφάλματα ταξινομητή, υποστηρίζουν κοινές μετρήσεις και διαφέρουν μεταξύ των συμβάσεων κλάσεων και βιβλιοθήκης.

Σχετικές διαδρομές οδηγώνΠίνακες σύγχυσης
Ερώτηση 1 του 8

Σε έναν δυαδικό πίνακα σύγχυσης, τι είναι το ψευδώς αρνητικό;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Σε έναν δυαδικό πίνακα σύγχυσης, τι είναι το ψευδώς αρνητικό;
    • Μια θετική περίπτωση το μοντέλο προέβλεψε λανθασμένα ως αρνητική
    • Ένα αρνητικό σωστά προβλεπόμενο ως αρνητικό
    • Ένα αρνητικό εσφαλμένα προβλεφθεί ως θετικό
    • Ένα θετικό σωστά προβλέφθηκε ως θετικό
  2. Η ακρίβεια υπολογίζεται ως εξής:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / σύνολο
  3. Ποια μέτρηση μετρά την αναλογία των πραγματικών θετικών που το μοντέλο προσδιορίζει σωστά;
    • Ακρίβεια
    • Ιδιαιτερότητα
    • Ανάκληση
    • Ακρίβεια
  4. Σε έναν πίνακα σύγχυσης για ένα πρόβλημα με 5 κλάσεις, τι αντιπροσωπεύουν τα διαγώνια κελιά;
    • Λανθασμένες προβλέψεις
    • Μόνο ψευδώς θετικά
    • Ο συνολικός αριθμός δειγμάτων
    • Σωστές προβλέψεις για κάθε τάξη
  5. Γιατί η ακρίβεια από μόνη της μπορεί να είναι παραπλανητική χωρίς μήτρα σύγχυσης;
    • Κρύβει την ισορροπία μεταξύ διαφορετικών τύπων σφαλμάτων όπως ψευδώς θετικά και ψευδώς αρνητικά
    • Η ακρίβεια είναι πάντα λάθος
    • Δεν μπορεί να υπολογιστεί για δυαδικά προβλήματα
    • Απαιτεί πιθανότητες αντί για ετικέτες
  6. Ποιες δύο μετρήσεις είναι η βαθμολογία F1;
    • Ακρίβεια και ειδικότητα
    • Ακρίβεια και ανάκληση
    • Ευαισθησία και ειδικότητα
    • Αληθινά θετικά και αληθινά αρνητικά
  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