Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ Naive Bayes Classifiers

Ελέγξτε πώς ο Naive Bayes συνδυάζει προτεραιότητες κλάσης και πιθανότητες χαρακτηριστικών και πώς οι παραλλαγές του χειρίζονται μετρήσεις, δυαδικά χαρακτηριστικά και συνεχή δεδομένα.

Σχετικές διαδρομές οδηγώνNaive Bayes Classifiers
Ερώτηση 1 του 8

Ποια είναι η βασική υπόθεση «αφελής» σε έναν ταξινομητή Naive Bayes;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποια είναι η βασική υπόθεση «αφελής» σε έναν ταξινομητή Naive Bayes;
    • Τα χαρακτηριστικά είναι υπό όρους ανεξάρτητα δεδομένης της κατηγορίας
    • Τα μαθήματα είναι εξίσου πιθανά
    • Όλα τα χαρακτηριστικά είναι συνεχή και κανονικά κατανεμημένα
    • Το σύνολο δεδομένων είναι απόλυτα ισορροπημένο
  2. Σε ποιο θεώρημα βασίζεται ο Naive Bayes;
    • Το θεώρημα του κεντρικού ορίου
    • Bayes’ theorem
    • Ο νόμος των μεγάλων αριθμών
    • The Cauchy-Schwarz inequality
  3. Γιατί οι υλοποιήσεις συνήθως αθροίζουν τις log-πιθανότητες αντί να πολλαπλασιάζουν τις μη επεξεργασμένες πιθανότητες;
    • Για να γίνει το μοντέλο μη γραμμικό
    • Για να επιταχύνετε την προπόνηση σε ένα μόνο πέρασμα
    • Για να αποφευχθεί η αριθμητική υπορροή από τον πολλαπλασιασμό πολλών μικρών αριθμών
    • Για την επιβολή της ανεξαρτησίας χαρακτηριστικών
  4. Ποιο πρόβλημα λύνει η εξομάλυνση Laplace (add-one);
    • Εξισορροπεί τα μεγέθη των τάξεων
    • Εξομαλύνει τα συνεχή χαρακτηριστικά
    • Καταργεί τα συσχετισμένα χαρακτηριστικά
    • Αποτρέπει ένα αόρατο χαρακτηριστικό από το να εξαναγκάσει μια πιθανότητα μηδέν
  5. Ποια παραλλαγή Naive Bayes είναι πιο φυσική για λειτουργίες μέτρησης λέξεων σε έγγραφα;
    • Πολυωνυμικό Naive Bayes
    • Gaussian Naive Bayes
    • Bernoulli Naive Bayes
    • Linear Naive Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Εγγυάται την καλύτερη ακρίβεια σε οποιοδήποτε σύνολο δεδομένων
    • Είναι γρήγορο, ερμηνεύσιμο και λειτουργεί καλά με λίγα δεδομένα
    • Μαθαίνει αυτόματα τις αλληλεπιδράσεις χαρακτηριστικών
    • Δεν απαιτεί δεδομένα εκπαίδευσης
  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