Quiz collegato alla guida · Medio Livello

Quiz sul rilevamento dei punti di modifica

Confronta la segmentazione offline, il monitoraggio cumulativo e il rilevamento delle modifiche bayesiane online, comprese penalità e limiti di interpretazione.

Percorsi guida correlatiRilevamento del punto di modifica
Domanda 1 di 8

Quali tipi di comportamento in serie può contrassegnare un punto di cambiamento?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Quali tipi di comportamento in serie può contrassegnare un punto di cambiamento?
    • A shift in mean, variance, trend or distribution
    • Only a change in class labels
    • Only the first observation
    • A guaranteed causal intervention
  2. In un obiettivo di segmentazione offline penalizzato, cosa fa generalmente una penalità maggiore?
    • Force a change at every observation
    • Discourage adding extra segments
    • Remove all segment costs
    • Increase the number of model variables
  3. Cosa accumula CUSUM nel tempo?
    • Only the single largest observation in the sequence
    • The number of free model parameters
    • Evidence of deviation from a reference process
    • The moving average of observations not yet collected
  4. Quale impostazione è particolarmente importante per il comportamento degli avvisi CUSUM?
    • The class encoding order
    • Il numero di cluster
    • The metric denominator
    • The control threshold
  5. Cosa aggiorna il rilevamento del punto di modifica online bayesiano?
    • A single offline segmentation with no uncertainty
    • A probability distribution over run lengths since a change
    • The target's class labels
    • The model's seasonal period only
  6. Why is a detected change not itself an explanation?
    • The algorithm always outputs a causal variable
    • Change points never correspond to real events
    • A statistical shift may come from process change, seasonality, drift or data issues
    • A segmentation has no time index
  7. What risk can a very low segmentation penalty create?
    • Guaranteeing fewer false alarms
    • Making every series stationary
    • Removing autocorrelation by construction
    • Over-segmenting random noise
  8. Which evaluation concern matters for repeated online monitoring?
    • False alarms and detection delay across repeated looks
    • Only one p-value at the final time
    • Whether all segment means are identical
    • The maximum number of predictors