Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Osztálykiegyensúlyozatlanság és újramintavételi kvíz

Tests when to resample or reweight rare classes, how data leakage arises, and which metrics remain useful under class imbalance.

kérdés 1 -ból 8

Miért rossz a sima pontosság egy erősen kiegyensúlyozatlan osztályozási probléma esetén?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miért rossz a sima pontosság egy erősen kiegyensúlyozatlan osztályozási probléma esetén?
    • Egy modell nagyon magas pontszámot érhet el, ha mindig megjósolja a többségi osztályt
    • A pontosság nem számítható ki, ha az osztályok kiegyensúlyozatlanok
    • A pontosság csak regresszió esetén működik
    • Ehhez tökéletesen kiegyensúlyozott adatokra van szükség
  2. Mit csinál a SMOTE?
    • Véletlenszerűen törli a többségi osztályú mintákat
    • Szintetikus kisebbségi mintákat generál a szomszédok közötti interpolációval
    • Növeli a ritka osztályok tanulási arányát
    • Egy osztályozási problémát regresszióvá alakít át
  3. Melyik megközelítés kezeli az egyensúlyhiányt a képzési példák számának megváltoztatása nélkül?
    • Véletlenszerű túlmintavétel
    • A többség alulmintavétele
    • Osztálysúlyozás a veszteségfüggvényben
    • SMOTE
  4. Mi a fő kockázata annak, ha túlmintavételt alkalmazunk, mielőtt az adatokat vonat- és tesztkészletekre bontja?
    • Lelassítja az edzést
    • Törli a többségi osztályt
    • Ez mindig alulfelszerelést okoz
    • A megkettőzött vagy szintetikus kisebbségi pontok beszivároghatnak a tesztkészletbe, növelve a pontszámokat
  5. Mi a véletlenszerű alulmintavétel fő hátránya?
    • Eldobja a potenciálisan hasznos többségi osztályú adatokat
    • Hamis adatokat hoz létre, amelyek esetleg irreálisak
    • Csak képadatok esetén működik
    • Ez mindig növeli az edzési időt
  6. Melyik mérőszám a legmegfelelőbb a ritka pozitív adatokon alapuló modell értékeléséhez?
    • Általános pontosság
    • Precision-Recall AUC vagy F1 pontszám
    • Átlagos négyzetes hiba
    • A képzési korszakok száma
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)