Quiz collegato alla guida · Medio Livello

Quiz sullo squilibrio di classe e sul ricampionamento

Verifica quando ricampionare o riponderare le classi rare, come si verifica la fuga di dati e quali parametri rimangono utili in caso di squilibrio delle classi.

Domanda 1 di 8

Perché la semplice accuratezza è una metrica inadeguata per un problema di classificazione altamente sbilanciato?

Anteprima di ogni domanda8 domande

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

  1. Perché la semplice accuratezza è una metrica inadeguata per un problema di classificazione altamente sbilanciato?
    • Un modello può ottenere punteggi molto alti semplicemente prevedendo sempre la classe maggioritaria
    • La precisione non può essere calcolata quando le classi sono sbilanciate
    • La precisione funziona solo per la regressione
    • Richiede la definizione di dati perfettamente bilanciati
  2. Cosa fa SMOTE?
    • Elimina i campioni della classe maggioritaria in modo casuale
    • Genera campioni di minoranza sintetica interpolando tra vicini
    • Aumenta il tasso di apprendimento per le classi rare
    • Converte un problema di classificazione in regressione
  3. Quale approccio gestisce lo squilibrio SENZA modificare il numero di esempi di formazione?
    • Sovracampionamento casuale
    • Sottocampionamento della maggioranza
    • Ponderazione della classe nella funzione di perdita
    • SMOTE
  4. Qual è il rischio principale derivante dall'applicazione del sovracampionamento prima di suddividere i dati in set di training e test?
    • Rende l'allenamento più lento
    • Elimina la classe maggioritaria
    • Causa sempre un sottoadattamento
    • Punti di minoranza duplicati o sintetici possono penetrare nel set di test, gonfiando i punteggi
  5. Qual è il principale svantaggio del sottocampionamento casuale?
    • Scarta dati potenzialmente utili sulla classe maggioritaria
    • Crea dati falsi che potrebbero non essere realistici
    • Funziona solo per i dati immagine
    • Aumenta sempre il tempo di allenamento
  6. Quale metrica è più appropriata per valutare un modello su dati rari-positivi?
    • Precisione complessiva
    • Punteggio AUC o F1 con richiamo di precisione
    • Errore quadratico medio
    • Numero di epoche di allenamento
  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)