Kuis terkait panduan · Mudah Tingkat

Kuis Matriks Kebingungan

Tinjau bagaimana jumlah matriks kebingungan mengungkap kesalahan pengklasifikasi, mendukung metrik umum, dan bervariasi antar konvensi kelas dan perpustakaan.

Jalur panduan terkaitMatriks Kebingungan
Pertanyaan 1 dari 8

Dalam matriks kebingungan biner, apa yang dimaksud dengan False Negative?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Dalam matriks kebingungan biner, apa yang dimaksud dengan False Negative?
    • Kasus positif yang salah diprediksi oleh model sebagai kasus negatif
    • Negatif diprediksi dengan tepat sebagai negatif
    • Hal negatif yang salah diprediksi sebagai positif
    • Hasil positif diprediksi dengan tepat sebagai positif
  2. Presisi dihitung sebagai:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / jumlah
  3. Metrik manakah yang mengukur proporsi positif aktual yang diidentifikasi dengan benar oleh model?
    • Presisi
    • Kekhususan
    • Ingat
    • Akurasi
  4. Dalam matriks konfusi untuk masalah dengan 5 kelas, apa yang diwakili oleh sel diagonal?
    • Prediksi yang salah
    • Hanya positif palsu
    • Jumlah sampel
    • Prediksi yang benar untuk setiap kelas
  5. Mengapa akurasi saja bisa menyesatkan tanpa matriks kebingungan?
    • Ini menyembunyikan keseimbangan antara berbagai jenis kesalahan seperti positif palsu dan negatif palsu
    • Akurasi selalu salah
    • Itu tidak dapat dihitung untuk masalah biner
    • Hal ini membutuhkan probabilitas, bukan label
  6. Skor F1 merupakan rata-rata harmonis dari dua metrik yang mana?
    • Akurasi dan spesifisitas
    • Presisi dan penarikan kembali
    • Sensitivitas dan spesifisitas
    • Benar-benar positif dan benar-benar negatif
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation