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.

Kapcsolódó útmutató utakNaiv Bayes osztályozók
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.

  1. 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
  2. Melyik tételre épül Naive Bayes?
    • A centrális határérték tétel
    • Bayes’ theorem
    • A nagy számok törvénye
    • The Cauchy-Schwarz inequality
  3. 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
  4. 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
  5. Melyik Naive Bayes-változat a legtermészetesebb a dokumentumok szószámláló jellemzői számára?
    • Multinomiális Naive Bayes
    • Gauss naiv Bayes
    • Bernoulli Naive Bayes
    • Lineáris naiv Bayes
  6. 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
  7. 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
  8. 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