Quiz d'apprentissage supervisé

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

1. Dans l'apprentissage supervisé, qu'est-ce qui fait qu'un ensemble de données d'entraînement est « étiqueté » ?
   • Chaque exemple a été trié dans des dossiers en fonction de son type et de sa taille de fichier
   • Each example is paired with a target output for the model to learn
   • Chaque exemple a été compressé afin que le modèle puisse le lire en moins de temps
   • Chaque exemple comprend un enregistrement d'horodatage exactement au moment où il a été collecté pour la première fois
2. Un modèle qui prédit si un e-mail est du spam ou non résout quel type de problème d'apprentissage supervisé ?
   • Régression
   • Classement
   • Réduction de dimensionnalité
   • Regroupement
3. Prédire le prix de vente d’une maison à partir de sa taille et de son emplacement est un exemple de quoi ?
   • Clustering, car les maisons similaires sont regroupées par zone
   • Régression, car le résultat est un nombre continu
   • Classification, car les maisons appartiennent à des quartiers distincts
   • Apprentissage par renforcement, parce que les prix récompensent les vendeurs
4. Pourquoi les praticiens retiennent-ils un ensemble de tests distinct que le modèle ne voit jamais pendant la formation ?
   • Pour donner au modèle des exemples supplémentaires une fois que sa précision d'entraînement atteint son apogée
   • Pour stocker une copie de sauvegarde en cas de perte des données d'entraînement
   • Pour estimer les performances du modèle sur des données nouvelles et invisibles
   • Pour rendre la formation plus rapide en utilisant moins d'exemples
5. When should preprocessing steps such as fitted scaling be learned for a supervised-learning evaluation?
   • From all rows before splitting so the test set helps estimate them
   • From test examples only
   • From the training partition, then applied to validation and test examples
   • From whichever partition gives the best final score
6. The guide’s classifier catches 30 of 40 urgent messages and flags 20 ordinary messages. Which recall and precision values follow?
   • Recall 75%; precision 60%
   • Recall 60%; precision 75%
   • Recall 100%; precision 50%
   • Recall 30%; precision 20%
7. A dataset has repeated records for the same person. What risk can a random row split create?
   • The model is guaranteed to have low recall
   • Related records can appear in both training and test sets, leaking information
   • The target labels automatically become numerical
   • The test set is no longer allowed to contain labels
8. What can changing a classification threshold do, according to the guide?
   • Change the tradeoff between false positives and false negatives without changing learned parameters
   • Change the training labels into features
   • Guarantee both error types become zero
   • Replace the need to evaluate model performance