Quiz collegato alla guida · Medio Livello
Quiz sulla foresta di isolamento
Collega le lunghezze casuali del percorso degli alberi con le classifiche delle anomalie e distingui una soglia di contaminazione da un tasso di anomalie nel mondo reale.
Domanda 1 di 8
Cosa tende ad accadere alla lunghezza media del percorso dell'albero di isolamento di un punto insolito?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa tende ad accadere alla lunghezza media del percorso dell'albero di isolamento di un punto insolito?
- It is shorter because fewer random splits isolate it
- It is longer because every split keeps it with common points
- It equals the number of features exactly
- It is set by contamination directly
- Cosa controlla comunemente l'impostazione della contaminazione?
- The verified prevalence of anomalies in production
- The threshold used to label a chosen fraction as outliers
- The number of input features
- The random split direction for every tree
- Quale interpretazione del punteggio corrisponde all'intuizione fondamentale della foresta?
- Longer paths always mean higher anomaly risk
- A score is a calibrated fraud probability
- Shorter paths indicate stronger isolation-based anomaly evidence
- The score identifies the causal reason for an event
- Un segmento di clienti raro ma legittimo riceve punteggi di anomalia elevati. Quale problema illustra questo?
- Path lengths are always causal
- Contamination guarantees correct labels
- Random trees require class labels
- Rarity is not equivalent to fraud or invalidity
- Perché verificare la direzione della partitura nella libreria scelta?
- All libraries define negative scores as normal
- Some decision functions invert or shift the raw anomaly score
- The tree ensemble omits path lengths
- Contamination reverses the feature matrix
- If contamination increases from 5% to 10%, what change is most directly expected?
- Every path becomes shorter
- The true anomaly rate is proven to double
- More points may be labeled anomalous by the threshold
- The model changes into supervised fraud classification
- How should an alerting team evaluate an Isolation Forest threshold when labels are available?
- Choose the threshold that labels exactly half the data
- Assume every short path is fraud
- Compare only the training score average
- Measure precision and recall tradeoffs on representative labeled cases
- What can an Isolation Forest score not provide by itself?
- A causal explanation or calibrated event probability
- A ranking of isolation behavior
- An ensemble-based anomaly score
- A comparison across observations