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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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)