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.

Kapcsolódó útmutató utakAnomália észlelése
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.

  1. 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
  2. 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
  3. Ha autoencodert használnak anomáliák észlelésére, mi jelzi az anomáliát?
    • Alacsony rekonstrukciós hiba
    • Magas rekonstrukciós hiba ismeretlen bemeneten
    • Gyorsabb edzésidő
    • Több réteg a hálózatban
  4. 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
  5. 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
  6. Melyik alkalmazás az anomália-észlelés klasszikus alkalmazása?
    • A csalárd hitelkártya-tranzakciók észlelése
    • Fényképek rendezése betűrendben
    • Szöveg fordítása nyelvek között
    • Videó fájlok tömörítése
  7. 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
  8. 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