Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Helyi Outlier Factor kvíz

Értelmezze a LOF-ot helyi sűrűségarányként, és különböztesse meg a globális távolságtól, beleértve a szomszédos léptékű és az újdonság-mód választásokat.

Kapcsolódó útmutató utakHelyi kiugró tényező
kérdés 1 -ból 8

Mit sugall egy lényegesen magasabb LOF-pontszám?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit sugall egy lényegesen magasabb LOF-pontszám?
    • A pont kevésbé sűrű, mint helyi szomszédai
    • A pont ugyanolyan sűrű, mint helyi szomszédai
    • Még akkor is messze van a globális központtól, ha környéke sűrű
    • A pontszám egy kalibrált anomália valószínűsége
  2. Miért kaphat egy távoli pont rendes LOF-pontszámot?
    • A LOF figyelmen kívül hagy minden szomszéd információt
    • Különálló sűrű alcsoportba tartozhat, hasonló helyi sűrűséggel
    • A távolság mindig nullára van állítva a fő felhőn kívül
    • A LOF csak a globális átlagot méri
  3. Miben változik általában a szomszédok számának növelése?
    • A sűrűségarányban használt jellemzők száma
    • A visszaadott pontszám előjelegyezménye
    • Az a skála, amelyen a helyi sűrűséget összehasonlítják
    • A LOF előtt használt globális klaszterezési módszer
  4. Miért fontos a funkcióméretezés a LOF-ban?
    • A helyi sűrűséget Gauss-paraméterré változtatja
    • Garantálja, hogy minden funkció egyenlő mértékben járul hozzá előfeldolgozás nélkül
    • A szomszédok számát osztálycímkévé változtatja
    • A legközelebbi szomszédok távolsága a jellemzőegységektől függ
  5. Miben különbözik az újdonság észlelése az illesztett mintás kiugró értékek észlelésétől?
    • Minden képzési mintához címkékre van szükség
    • Az új megfigyeléseket összehasonlítja a referencia illeszkedéssel
    • Minden lekérdezéshez új sűrűséget tanít át
    • Csak a globális klaszter eszközökről számol be
  6. Scikit-learn újdonság módban mit kerüljenek el a felhasználók a dokumentáció szerint?
    • A szomszédok számának ellenőrzése
    • Numerikus előrejelzők skálázása
    • Újdonságpontozási módszerek alkalmazása a tréningkészleten
    • Új, nem látott esetek pontozása
  7. Melyik minta jelzi inkább lokális, mint globális anomália-koncepciót?
    • A globális központtól való távolság akkor is nagy, ha nagy a helyi sűrűség
    • A megfigyelésnek ritka kategóriacímkéje van
    • A globális klaszter kevés megfigyelést tartalmaz
    • A sűrűség alacsony a közeli pontokhoz képest
  8. Miért ellenőrizze a LOF API pontszám előjelegyezményét?
    • A könyvtárak megfordíthatják a pontszámokat, így az erősebb kiugró értékek alacsonyabb számértékekkel rendelkeznek
    • A jel határozza meg, hogy hány szomszéd létezik
    • A LOF pontszámok mindig valószínűségek
    • A pontozás iránya minden megvalósításban azonos