Kuis terkait panduan · Sedang Tingkat

Kuis Pengklasifikasi Naive Bayes

Periksa bagaimana Naive Bayes menggabungkan class prior dan kemungkinan fitur, dan bagaimana variannya menangani jumlah, fitur biner, dan data berkelanjutan.

Jalur panduan terkaitPengklasifikasi Naive Bayes
Pertanyaan 1 dari 8

Apa asumsi inti 'naif' dalam pengklasifikasi Naive Bayes?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa asumsi inti 'naif' dalam pengklasifikasi Naive Bayes?
    • Fitur-fiturnya independen secara kondisional berdasarkan kelasnya
    • Kelas juga memiliki kemungkinan yang sama
    • Semua fitur bersifat kontinu dan terdistribusi normal
    • Kumpulan datanya sangat seimbang
  2. Teorema manakah yang dibangun oleh Naive Bayes?
    • Teorema limit pusat
    • Bayes’ theorem
    • Hukum bilangan besar
    • The Cauchy-Schwarz inequality
  3. Mengapa implementasi biasanya menjumlahkan probabilitas log alih-alih mengalikan probabilitas mentah?
    • Untuk membuat model menjadi nonlinier
    • Untuk mempercepat latihan menjadi satu lintasan
    • Untuk menghindari kekurangan angka akibat mengalikan banyak angka kecil
    • Untuk menegakkan independensi fitur
  4. Masalah apa yang dipecahkan oleh pemulusan Laplace (add-one)?
    • Ini menyeimbangkan ukuran kelas
    • Ini menormalkan fitur berkelanjutan
    • Ini menghilangkan fitur-fitur yang berkorelasi
    • Ini mencegah fitur yang tidak terlihat memaksakan probabilitas nol
  5. Varian Naive Bayes manakah yang paling alami untuk fitur jumlah kata dalam dokumen?
    • Bayes Naif Multinomial
    • Gaussian Naif Bayes
    • Bernoulli Naif Bayes
    • Bayes Naif Linier
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Ini menjamin akurasi terbaik pada kumpulan data apa pun
    • Ini cepat, dapat ditafsirkan, dan berfungsi baik dengan sedikit data
    • Secara otomatis mempelajari interaksi fitur
    • Itu tidak memerlukan data pelatihan
  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