Quiz collegato alla guida · Facile Livello
Quiz sulle matrici di confusione
Esamina il modo in cui i conteggi della matrice di confusione rivelano errori del classificatore, supportano metriche comuni e variano tra le convenzioni di classi e librerie.
Domanda 1 di 8
In una matrice di confusione binaria, cos'è un falso negativo?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- In una matrice di confusione binaria, cos'è un falso negativo?
- Un caso positivo il modello lo aveva erroneamente previsto come negativo
- Un negativo correttamente previsto come negativo
- Un negativo erroneamente previsto come positivo
- Un positivo correttamente previsto come positivo
- La precisione è calcolata come:
- TP / (TP + FN)
- PA / (PA + PA)
- TN / (TN + FP)
- (TP + TN) / totale
- Quale metrica misura la percentuale di positivi effettivi che il modello identifica correttamente?
- Precisione
- Specificità
- Ricorda
- Precisione
- In una matrice di confusione per un problema con 5 classi, cosa rappresentano le celle diagonali?
- Previsioni errate
- Solo falsi positivi
- Il numero totale di campioni
- Previsioni corrette per ogni classe
- Perché la sola precisione può essere fuorviante senza una matrice di confusione?
- Nasconde l'equilibrio tra diversi tipi di errore come falsi positivi e falsi negativi
- La precisione è sempre sbagliata
- Non può essere calcolato per problemi binari
- Richiede probabilità anziché etichette
- Il punteggio F1 è la media armonica di quali due parametri?
- Precisione e specificità
- Precisione e richiamo
- Sensibilità e specificità
- Veri positivi e veri negativi
- In a binary confusion matrix, which count is a False Positive?
- An actual positive that the model predicts as positive
- An actual positive that the model predicts as negative
- An actual negative that the model predicts as positive
- An actual negative that the model predicts as negative
- Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
- The diagonal always contains false positives
- Axis order changes the number of observations in the dataset
- Precision and recall use no confusion-matrix cells
- Libraries may place true classes in rows and predicted classes in columns, or use a different orientation