Quiz lié à un guide · Facile Niveau

Quiz sur les matrices de confusion

Découvrez comment les décomptes de la matrice de confusion révèlent les erreurs du classificateur, prennent en charge les métriques courantes et varient selon les conventions de classe et de bibliothèque.

Chemins de guidage associésMatrices de confusion
Question 1 de 8

Dans une matrice de confusion binaire, qu’est-ce qu’un faux négatif ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Dans une matrice de confusion binaire, qu’est-ce qu’un faux négatif ?
    • Un cas positif que le modèle a prédit à tort comme négatif
    • Un négatif correctement prédit comme négatif
    • Un négatif prédit à tort comme positif
    • Un positif correctement prédit comme positif
  2. La précision est calculée comme suit :
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / total
  3. Quelle métrique mesure la proportion de positifs réels que le modèle identifie correctement ?
    • Précision
    • Spécificité
    • Rappel
    • Précision
  4. Dans une matrice de confusion pour un problème à 5 classes, que représentent les cellules diagonales ?
    • Prédictions incorrectes
    • Faux positifs uniquement
    • Le nombre total d'échantillons
    • Prédictions correctes pour chaque classe
  5. Pourquoi la précision seule peut-elle être trompeuse sans matrice de confusion ?
    • Il masque l'équilibre entre les différents types d'erreurs comme les faux positifs et les faux négatifs
    • La précision est toujours fausse
    • Il ne peut pas être calculé pour les problèmes binaires
    • Cela nécessite des probabilités au lieu d'étiquettes
  6. Le score F1 est la moyenne harmonique de quelles deux métriques ?
    • Précision et spécificité
    • Précision et rappel
    • Sensibilité et spécificité
    • Vrais positifs et vrais négatifs
  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