Útmutatóhoz kapcsolódó kvíz · Könnyű Szint
Zavart mátrixok kvíz
Review how confusion-matrix counts reveal classifier errors, support common metrics, and vary across class and library conventions.
kérdés 1 -ból 8
Egy bináris zavaros mátrixban mit jelent a hamis negatív?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Egy bináris zavaros mátrixban mit jelent a hamis negatív?
- Pozitív esetet a modell tévesen negatívnak jósolt
- A negatív helyesen negatívnak jósolva
- A negatívat hibásan pozitívnak jósolták
- A pozitív helyesen pozitívnak jósolva
- A pontosság kiszámítása a következőképpen történik:
- TP / (TP + FN)
- TP / (TP + FP)
- TN / (TN + FP)
- (TP + TN) / összesen
- Melyik mérőszám méri a modell által helyesen azonosított tényleges pozitívumok arányát?
- Precizitás
- Specificitás
- Visszahívás
- Pontosság
- Mit jelentenek az átlós cellák egy 5 osztályos probléma zavarmátrixában?
- Helytelen előrejelzések
- Csak hamis pozitív eredmények
- A minták teljes száma
- Helyes előrejelzések minden osztályhoz
- Miért lehet a pontosság önmagában félrevezető, ha nincs zavaró mátrix?
- Elrejti a különböző hibatípusok közötti egyensúlyt, mint például a hamis pozitívok és a hamis negatívok
- A pontosság mindig rossz
- Nem számítható ki bináris problémákra
- Címkék helyett valószínűségszámítást igényel
- Melyik két mérőszám harmonikus átlaga az F1 pontszám?
- Pontosság és specifikusság
- Precizitás és felidézés
- Érzékenység és specifitás
- Valódi pozitívumok és valódi negatívumok
- In a binary confusion matrix, which count is a False Positive?
- An actual positive that the model predicts as positive
- An actual positive that the model predicts as negative
- An actual negative that the model predicts as positive
- An actual negative that the model predicts as negative
- Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
- The diagonal always contains false positives
- Axis order changes the number of observations in the dataset
- Precision and recall use no confusion-matrix cells
- Libraries may place true classes in rows and predicted classes in columns, or use a different orientation