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.

Percorsi guida correlatiMatrici di confusione
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.

  1. 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
  2. La precisione è calcolata come:
    • TP / (TP + FN)
    • PA / (PA + PA)
    • TN / (TN + FP)
    • (TP + TN) / totale
  3. Quale metrica misura la percentuale di positivi effettivi che il modello identifica correttamente?
    • Precisione
    • Specificità
    • Ricorda
    • Precisione
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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