Kuis terkait panduan · Sedang Tingkat

Kuis Ketidakseimbangan Kelas dan Pengambilan Sampel Ulang

Menguji kapan harus mengambil sampel ulang atau menimbang ulang kelas yang jarang terjadi, bagaimana kebocoran data terjadi, dan metrik mana yang tetap berguna dalam kondisi ketidakseimbangan kelas.

Jalur panduan terkaitKetidakseimbangan Kelas Dan Pengambilan Sampel Ulang
Pertanyaan 1 dari 8

Mengapa akurasi biasa merupakan metrik yang buruk untuk masalah klasifikasi yang sangat tidak seimbang?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Mengapa akurasi biasa merupakan metrik yang buruk untuk masalah klasifikasi yang sangat tidak seimbang?
    • Sebuah model bisa mendapatkan skor yang sangat tinggi hanya dengan selalu memprediksi kelas mayoritas
    • Akurasi tidak dapat dihitung ketika kelas tidak seimbang
    • Akurasi hanya berfungsi untuk regresi
    • Hal ini membutuhkan data yang sangat seimbang untuk didefinisikan
  2. Apa yang SMOTE lakukan?
    • Menghapus sampel kelas mayoritas secara acak
    • Menghasilkan sampel minoritas sintetis dengan melakukan interpolasi antar tetangga
    • Meningkatkan kecepatan pembelajaran untuk kelas langka
    • Mengubah masalah klasifikasi menjadi regresi
  3. Pendekatan manakah yang menangani ketidakseimbangan TANPA mengubah jumlah contoh pelatihan?
    • Pengambilan sampel berlebihan secara acak
    • Meremehkan mayoritas
    • Pembobotan kelas dalam fungsi kerugian
    • HALUS
  4. Apa risiko utama penerapan pengambilan sampel berlebihan sebelum membagi data Anda menjadi rangkaian pelatihan dan pengujian?
    • Itu membuat pelatihan menjadi lebih lambat
    • Ini menghapus kelas mayoritas
    • Itu selalu menyebabkan underfitting
    • Poin minoritas yang diduplikasi atau sintetis dapat bocor ke dalam set tes, sehingga meningkatkan skor
  5. Apa kelemahan utama dari pengambilan sampel secara acak?
    • Ini membuang data kelas mayoritas yang berpotensi berguna
    • Ini menciptakan data palsu yang mungkin tidak realistis
    • Ini hanya berfungsi untuk data gambar
    • Itu selalu menambah waktu pelatihan
  6. Metrik manakah yang paling tepat untuk mengevaluasi model pada data positif langka?
    • Akurasi keseluruhan
    • Skor AUC atau F1 Ingatan Presisi
    • Kesalahan kuadrat rata-rata
    • Jumlah periode pelatihan
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)