Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Modellsodródás-észlelési kvíz

Review data and concept drift, distribution monitoring, KS comparisons, delayed labels, and careful responses to drift alerts.

Kapcsolódó útmutató utakModell elsodródás észlelése
kérdés 1 -ból 8

Mi a különbség az adatsodródás és a koncepciósodródás között?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a különbség az adatsodródás és a koncepciósodródás között?
    • Az adatsodródás megváltoztatja a bemenetek eloszlását; a koncepciósodródás megváltoztatja az input-output viszonyt
    • Két név ugyanarra a dologra
    • Az adatsodródás csak a képeket érinti; a fogalom elsodródása csak a szöveget érinti
    • Adatsodródás az edzés során történik; koncepció sodródás történik a tesztelés során
  2. How should a team interpret a PSI value such as 0.30?
    • As a guarantee that model accuracy has fallen
    • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
    • As an identical threshold for every feature and population
    • As proof that retraining must begin immediately
  3. Miért adhat korai figyelmeztetést a bemeneti alapú sodródás-észlelés?
    • Mert a bemenetek mindig először rosszak
    • Mivel a bemenetek kisebb fájlok
    • Mert az alapigazság címkéi gyakran sokkal később érkeznek, mint a jóslatok
    • Mivel a modellek teljesen figyelmen kívül hagyják a címkéket
  4. What does a two-sample Kolmogorov-Smirnov test compare?
    • The average accuracy of two classifiers only
    • The class labels predicted by a single model
    • The parameter values of two neural networks
    • The empirical cumulative distribution functions of two samples
  5. Melyik forgatókönyv a koncepciósodródás egyértelmű példája?
    • A felhasználók által „spamnek” tekintett tartalma idővel változik, még a hasonló megjelenésű e-mailek esetében is
    • A fényképezőgép valamivel világosabb képeket készít
    • Az adatkészletben szereplő ügyfelek életkora változatlan marad
    • Az adatkészlet új fájlformátumban kerül tárolásra
  6. What is a safe first response when an input-drift monitor triggers?
    • Automatically deploy a newly retrained model without evaluation
    • Investigate the data and impact, then decide whether retraining or another action is justified
    • Delete the reference data
    • Assume every shift is harmful concept drift
  7. What can TensorFlow Data Validation check in an ML pipeline?
    • The causal effect of a feature
    • Whether every model prediction is correct
    • Data schemas and statistics, including unexpected changes
    • The absolute accuracy of an unlabeled dataset
  8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
    • The model’s accuracy on labeled examples
    • A causal effect of an input feature
    • A universal pass/fail threshold for all models
    • A numerical summary of how binned feature distributions differ between reference and current data