Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Matthews korrelációs együttható kvíz

Tesztelje a zavaros-mátrixos érvelést, az MCC-számításokat és az osztály-kiegyensúlyozatlanság buktatóit a spamszűrők és a hibaészlelés példáival.

Kapcsolódó útmutató utakMatthews-korrelációs együttható
kérdés 1 -ból 8

Egy szűrő mind az 1000 üzenetet jogosnak minősít, ha 990 valóban jogos. 99%-os pontossága miért nem elegendő bizonyíték a spamek hasznos felismerésére?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Egy szűrő mind az 1000 üzenetet jogosnak minősít, ha 990 valóban jogos. 99%-os pontossága miért nem elegendő bizonyíték a spamek hasznos felismerésére?
    • Minden többségi osztályú hiba nagyobb súlyt kap, mint egy spam hiba
    • A pontosság önmagában bizonyítja, hogy mindkét osztálynak magas a visszahívása
    • A szűrő a tíz spam üzenet közül egyet sem észlelt
    • Ebből a pontosságból közvetlenül következik a 0,99-es MCC
  2. Melyik érték adódik az útmutató játékzavaros mátrixából, 40 valódi pozitív, 40 valódi negatív és 10 hibával?
    • MCC 0,6
    • MCC 0,8
    • Ügyfélközpont 0,4
    • Ügyfélközpont 1.0
  3. Egy jelentés a 0,6-os Ügyfélközpontot úgy értelmezi, hogy „az esetek 60%-a volt helyes”. Hogyan kell ezt az értelmezést korrigálni?
    • Ez azt jelenti, hogy a pozitív esetek 60%-át találták
    • Ez azt jelenti, hogy az előre jelzett pozitívumok 60%-a helyes volt
    • Ez azt jelenti, hogy a modell 60%-os megbízhatósággal van kalibrálva
    • Az Ügyfélközpont egy korrelációs mérőszám, nem a százalékos helyes besorolás
  4. Mindkét osztályt tartalmazó bináris adatok esetén az osztályozó minden címkét tökéletesen megfordít. Melyik Ügyfélközpont-érték írja le ezt a kapcsolatot?
    • 0
    • -1
    • 0.5
    • 1
  5. A gyár a kihagyott hibákat másként értékeli, mint a szükségtelen ellenőrzéseket. Milyen további bizonyítékokra van szükség az MCC mellett?
    • Az összes hiba egyetlen összevont száma, azok típusa nélkül
    • Csak a pontosság az aktuális működési küszöbön
    • A hibaszámok és azok működési költségei
    • Csak egy valószínűség-kalibrációs diagram, hiba nélkül
  6. Mely bemenetek megfelelőek a scikit-learn matthews_corrcoef-hez a leírt munkafolyamatban?
    • Megfigyelt címkék és előre jelzett címkék
    • Megfigyelt címkék és küszöb nélküli valószínűségi becslések
    • Megjósolt valószínűségek és kerekített másolataik
    • Képzési címkék és címkék a nem kapcsolódó értékelési esetekből
  7. Miért igényel minden esetre egyetlen osztály előrejelzése körültekintést a bináris MCC-képlet értelmezésekor?
    • A pontszámnak meg kell egyeznie a többségi osztály pontosságával
    • A hiányzó előrejelzett osztály figyelmen kívül hagyható a képlet befolyásolása nélkül
    • A választott osztály tökéletes felidézése a nevezőt azzá teszi
    • Az egyik nevezőtényező nullává válik
  8. Ha egy Ügyfélközpont-jelentést három osztályra terjesztünk ki, melyik megközelítés felel meg az útmutatónak?
    • Számítson ki három bináris MCC-értéket, és vegye ezek súlyozatlan átlagát
    • Használjon többosztályú MCC-megvalósítást, és ellenőrizze a zavaró mátrixot
    • Az eredeti feladat értelmezése előtt egyesítse a két legritkább osztályt
    • Használja az általános pontosságot az MCC többosztályú definíciójaként