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.
- 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
- 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
- Melyik megközelítés kezeli az egyensúlyhiányt a képzési példák számának megváltoztatása nélkül?
- Véletlenszerű túlmintavétel
- A többség alulmintavétele
- Osztálysúlyozás a veszteségfüggvényben
- SMOTE
- 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
- 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
- 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
- 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
- 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)