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.

Kapcsolódó útmutató utakZavart mátrixok
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.

  1. 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
  2. A pontosság kiszámítása a következőképpen történik:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / összesen
  3. Melyik mérőszám méri a modell által helyesen azonosított tényleges pozitívumok arányát?
    • Precizitás
    • Specificitás
    • Visszahívás
    • Pontosság
  4. Mit jelentenek az átlós cellák egy 5 osztályos probléma zavarmátrixában?
    • Helytelen előrejelzések
    • Csak hamis pozitív eredmények
    • A minták teljes száma
    • Helyes előrejelzések minden osztályhoz
  5. 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
  6. Melyik két mérőszám harmonikus átlaga az F1 pontszám?
    • Pontosság és specifikusság
    • Precizitás és felidézés
    • Érzékenység és specifitás
    • Valódi pozitívumok és valódi negatívumok
  7. 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
  8. 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