Cuestionario vinculado a una guía · fácil Nivel

Prueba de matrices de confusión

Revise cómo los recuentos de matrices de confusión revelan errores del clasificador, admiten métricas comunes y varían según las convenciones de clases y bibliotecas.

Rutas de guía relacionadasMatrices de confusión
Pregunta 1 de 8

En una matriz de confusión binaria, ¿qué es un falso negativo?

Vista previa de cada pregunta8 preguntas

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

  1. En una matriz de confusión binaria, ¿qué es un falso negativo?
    • Un caso positivo que el modelo predijo incorrectamente como negativo
    • Un negativo predicho correctamente como negativo
    • Un negativo mal predicho como positivo
    • Un positivo predicho correctamente como positivo.
  2. La precisión se calcula como:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / total
  3. ¿Qué métrica mide la proporción de positivos reales que el modelo identifica correctamente?
    • Precisión
    • Especificidad
    • recordar
    • Precisión
  4. En una matriz de confusión para un problema con 5 clases, ¿qué representan las celdas diagonales?
    • Predicciones incorrectas
    • Sólo falsos positivos
    • El número total de muestras.
    • Predicciones correctas para cada clase.
  5. ¿Por qué la precisión por sí sola puede ser engañosa sin una matriz de confusión?
    • Oculta el equilibrio entre diferentes tipos de errores como falsos positivos y falsos negativos.
    • La precisión siempre es incorrecta
    • No se puede calcular para problemas binarios.
    • Requiere probabilidades en lugar de etiquetas.
  6. ¿La puntuación F1 es la media armónica de qué dos métricas?
    • Precisión y especificidad
    • Precisión y recuperación
    • Sensibilidad y especificidad
    • Verdaderos positivos y verdaderos negativos.
  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