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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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