Quiz collegato alla guida · Medio Livello
Quiz sul punteggio principale dell'intelligenza artificiale
Valutare in che modo il punteggio principale utilizza i risultati storici, perché lo squilibrio di classe influisce sulla valutazione e perché la calibrazione e il monitoraggio della deriva sono importanti.
Domanda 1 di 8
In che modo il punteggio principale dell'intelligenza artificiale differisce principalmente dal tradizionale punteggio basato su regole?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In che modo il punteggio principale dell'intelligenza artificiale differisce principalmente dal tradizionale punteggio basato su regole?
- Apprende i pesi dai dati di conversione storici invece di utilizzare punti fissi
- Conta solo le aperture di posta elettronica
- Non richiede alcun dato
- Ignora le dimensioni dell’azienda e la qualifica professionale
- Quale attività di machine learning descrive meglio la previsione se un lead verrà convertito?
- Segmentazione delle immagini
- Classificazione binaria
- Riconoscimento vocale
- Apprendimento per rinforzo
- Perché la semplice precisione è una metrica inadeguata per valutare i modelli di lead scoring?
- Accuracy directly measures calibration
- Accuracy tells sales representatives why a lead will convert
- Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
- Accuracy automatically adjusts decision thresholds
- According to HubSpot’s lead-scoring documentation, which data can a custom score use?
- Only a person’s name
- Solo l'ora del giorno
- Unlabeled audio waveforms
- Record actions or properties selected for the scoring model
- What can a lead-scoring model return for each prospect?
- A score or estimated conversion probability, which still needs evaluation
- A probability that is automatically calibrated by definition
- A guaranteed sales outcome
- A legal determination of creditworthiness
- What does feature importance summarize in a tree-based lead-scoring model?
- That a feature causes conversion
- How influential a feature is in the model’s decisions under that importance method
- That a feature is legally required
- The future sales quota
- What does calibration mean for a lead-conversion score?
- Every lead receives the same score
- The model’s accuracy is always 100 percent
- Predicted probabilities match observed conversion frequencies over comparable cases
- Scores are sorted alphabetically by company
- Why should a lead-scoring model be monitored after deployment?
- The original threshold can never become outdated
- Monitoring makes labels unnecessary
- A model score permanently captures market behavior
- Lead behavior and the meaning of historical patterns can drift