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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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