Quiz lié à un guide · Moyen Niveau

Quiz sur les classificateurs naïfs de Bayes

Vérifiez comment Naive Bayes combine les priorités de classe et les probabilités de fonctionnalités, et comment ses variantes gèrent les décomptes, les fonctionnalités binaires et les données continues.

Chemins de guidage associésClassificateurs bayésiens naïfs
Question 1 de 8

Quelle est l'hypothèse « naïve » fondamentale dans un classificateur Naive Bayes ?

Prévisualisez chaque question8 des questions

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

  1. Quelle est l'hypothèse « naïve » fondamentale dans un classificateur Naive Bayes ?
    • Les fonctionnalités sont conditionnellement indépendantes compte tenu de la classe
    • Les cours sont également probables
    • Toutes les fonctionnalités sont continues et normalement distribuées
    • L'ensemble de données est parfaitement équilibré
  2. Sur quel théorème Naive Bayes est-il construit ?
    • Le théorème central limite
    • Bayes’ theorem
    • La loi des grands nombres
    • The Cauchy-Schwarz inequality
  3. Pourquoi les implémentations additionnent-elles généralement les log-probabilités au lieu de multiplier les probabilités brutes ?
    • Pour rendre le modèle non linéaire
    • Pour accélérer l'entraînement en un seul passage
    • Pour éviter le dépassement numérique dû à la multiplication de nombreux petits nombres
    • Pour imposer l’indépendance des fonctionnalités
  4. Quel problème le lissage de Laplace (add-one) résout-il ?
    • Il équilibre la taille des classes
    • Il normalise les fonctionnalités continues
    • Il supprime les fonctionnalités corrélées
    • Cela empêche une fonctionnalité invisible de forcer une probabilité de zéro
  5. Quelle variante Naive Bayes est la plus naturelle pour les fonctionnalités de comptage de mots dans les documents ?
    • Bayes naïfs multinomiaux
    • Bayes naïf gaussien
    • Bernoulli Naive Bayes
    • Bayes naïf linéaire
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Il garantit la meilleure précision sur n’importe quel ensemble de données
    • Il est rapide, interprétable et fonctionne bien avec peu de données
    • Il apprend automatiquement les interactions entre les fonctionnalités
    • Il ne nécessite aucune donnée de formation
  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