Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Anomália-felismerő kvíz
Assess why anomalies are difficult to label, how Isolation Forest and local-density methods differ, and why deployed baselines can drift.
kérdés 1 -ból 8
Miért tanítják az anomália-észlelési modelleket gyakran többnyire „normál” adatokra, nem pedig jelölt anomáliákra?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Miért tanítják az anomália-észlelési modelleket gyakran többnyire „normál” adatokra, nem pedig jelölt anomáliákra?
- A normál adatok címkézése illegális
- A modellek egyáltalán nem tudják feldolgozni az anomáliákat
- A normál adatok nem igényelnek számítást
- Az anomáliák ritkák, és kevés a feliratozott példa
- Hogyan azonosítja az elszigetelt erdő az anomáliát?
- Az anomáliákat kevesebb véletlenszerű felosztásban izolálják, ami rövidebb úthosszt eredményez
- Az anomáliák elkülönítéséhez sok véletlenszerű felosztásra van szükség
- Minden adatpont színét méri
- Először a címkéik alapján csoportosítja a pontokat
- Ha autoencodert használnak anomáliák észlelésére, mi jelzi az anomáliát?
- Alacsony rekonstrukciós hiba
- Magas rekonstrukciós hiba ismeretlen bemeneten
- Gyorsabb edzésidő
- Több réteg a hálózatban
- Mire támaszkodik elsősorban a Local Outlier Factor módszer?
- A jellemzők ábécé szerinti sorrendje
- Az adatkészlet teljes fájlmérete
- Egy adott pont körüli pontok sűrűsége
- Az ismert csalási esetek rögzített listája
- Mi jelent reális kihívást a telepített anomália-érzékelő rendszerek számára?
- Az anomáliák soha nem változnak az idő múlásával
- A normál adatok mindig tökéletesen fel vannak címkézve
- A kiugró értékek mindig az adatok többségét jelentik
- A „normális” definíciója sodródhat, alkalmazkodást igényel
- Melyik alkalmazás az anomália-észlelés klasszikus alkalmazása?
- A csalárd hitelkártya-tranzakciók észlelése
- Fényképek rendezése betűrendben
- Szöveg fordítása nyelvek között
- Videó fájlok tömörítése
- 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
- 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