Cuestionario vinculado a una guía · Medio Nivel

Prueba de detección de anomalías

Evalúe por qué las anomalías son difíciles de etiquetar, en qué se diferencian los métodos de bosque de aislamiento y de densidad local, y por qué las líneas de base implementadas pueden variar.

Rutas de guía relacionadasDetección de anomalías
Pregunta 1 de 8

¿Por qué los modelos de detección de anomalías a menudo se entrenan principalmente con datos "normales" en lugar de anomalías etiquetadas?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Por qué los modelos de detección de anomalías a menudo se entrenan principalmente con datos "normales" en lugar de anomalías etiquetadas?
    • Es ilegal etiquetar datos normales
    • Los modelos no pueden procesar anomalías en absoluto.
    • Los datos normales no requieren cálculo
    • Las anomalías son raras y los ejemplos etiquetados son escasos
  2. ¿Cómo identifica un bosque de aislamiento una anomalía?
    • Las anomalías se aíslan en menos divisiones aleatorias, lo que da longitudes de ruta más cortas.
    • Las anomalías requieren muchas divisiones aleatorias para aislarlas
    • Mide el color de cada punto de datos.
    • Primero agrupa los puntos por sus etiquetas.
  3. Cuando se utiliza un codificador automático para la detección de anomalías, ¿qué señala una anomalía?
    • Error de reconstrucción bajo
    • Alto error de reconstrucción en entrada desconocida
    • Un tiempo de entrenamiento más rápido
    • Más capas en la red
  4. ¿En qué se basa principalmente el método del factor de valores atípicos locales?
    • El orden alfabético de las características.
    • El tamaño total del archivo del conjunto de datos.
    • La densidad de puntos alrededor de un punto dado.
    • Una lista fija de casos de fraude conocidos
  5. ¿Cuál es un desafío realista para los sistemas de detección de anomalías implementados?
    • Las anomalías nunca cambian con el tiempo
    • Los datos normales siempre están perfectamente etiquetados
    • Los valores atípicos son siempre la mayoría de los datos.
    • La definición de "normal" puede variar y requerir adaptación
  6. ¿Qué aplicación es un uso clásico de la detección de anomalías?
    • Detección de transacciones fraudulentas con tarjetas de crédito
    • Ordenar fotos alfabéticamente
    • Traducir texto entre idiomas
    • Comprimir archivos de vídeo
  7. What does the contamination setting commonly represent in an Isolation Forest workflow?
    • The number of training trees that contain audio
    • An assumed or expected proportion of outliers used for thresholding
    • The probability a record was encrypted
    • The average depth of a normal point
  8. Why should anomaly scores be reviewed with domain context?
    • An anomaly score always proves fraud
    • All normal data has an identical distribution
    • Rare but valid events can look unusual, and errors have different costs
    • A model score replaces an investigation