Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Naiv Bayes osztályozókvíz
Check how Naive Bayes combines class priors and feature likelihoods, and how its variants handle counts, binary features, and continuous data.
kérdés 1 -ból 8
Mi az alapvető „naiv” feltevés egy Naive Bayes osztályozóban?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mi az alapvető „naiv” feltevés egy Naive Bayes osztályozóban?
- A jellemzők az osztálytól függően feltételesen függetlenek
- Az osztályok egyformán valószínűek
- Minden funkció folyamatos és normál eloszlású
- Az adatkészlet tökéletesen kiegyensúlyozott
- Melyik tételre épül Naive Bayes?
- A centrális határérték tétel
- Bayes’ theorem
- A nagy számok törvénye
- The Cauchy-Schwarz inequality
- Miért a megvalósítások általában a log-valószínűségeket összegzik a nyers valószínűségek szorzása helyett?
- Hogy a modell nemlineáris legyen
- Az edzés felgyorsítása egyetlen lépésre
- Hogy elkerüljük a numerikus alulcsordulást sok kis szám szorzásából
- A funkciók függetlenségének érvényesítése
- Milyen problémát old meg a Laplace (add-one) simítás?
- Kiegyensúlyozza az osztálylétszámokat
- Normalizálja a folyamatos funkciókat
- Eltávolítja a korrelált jellemzőket
- Megakadályozza, hogy egy láthatatlan jellemző nulla valószínűséget kényszerítsen ki
- Melyik Naive Bayes-változat a legtermészetesebb a dokumentumok szószámláló jellemzői számára?
- Multinomiális Naive Bayes
- Gauss naiv Bayes
- Bernoulli Naive Bayes
- Lineáris naiv Bayes
- Why might Naive Bayes be useful as a lightweight baseline?
- Garantálja a legjobb pontosságot bármely adatkészlet esetében
- Gyors, értelmezhető, és kevés adattal is jól működik
- Automatikusan megtanulja a funkciók interakcióit
- Nem igényel edzési adatokat
- What distribution does Gaussian Naive Bayes assume for each feature within a class?
- A uniform distribution over every possible value
- A multinomial distribution over word counts
- A Gaussian (normal) distribution
- A distribution that is always exactly zero
- Which feature representation fits Bernoulli Naive Bayes most naturally?
- The number of times each word occurs
- A continuous pixel intensity modeled by a normal curve
- A sequence of audio frames
- Whether each word is present or absent in a document