Quiz collegato alla guida · Medio Livello

Quiz sul coefficiente di correlazione di Matthews

Metti alla prova il ragionamento basato sulla matrice di confusione, i calcoli del Centro clienti e le insidie dello squilibrio di classi con esempi di filtri antispam e rilevamento di difetti.

Domanda 1 di 8

Un filtro etichetta tutti i 1.000 messaggi come legittimi quando 990 lo sono veramente. Perché la sua precisione del 99% non è una prova sufficiente di un utile rilevamento dello spam?

Anteprima di ogni domanda8 domande

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

  1. Un filtro etichetta tutti i 1.000 messaggi come legittimi quando 990 lo sono veramente. Perché la sua precisione del 99% non è una prova sufficiente di un utile rilevamento dello spam?
    • Ogni errore di classe maggioritaria riceve più peso di un errore di spam
    • La sola precisione stabilisce che entrambe le classi hanno un elevato ricordo
    • Il filtro non ha rilevato nessuno dei dieci messaggi spam
    • Da questa precisione deriva direttamente un MCC di 0,99
  2. Quale valore risulta dalla matrice di confusione dei giocattoli della guida con 40 veri positivi, 40 veri negativi e 10 per ogni errore?
    • Centro clienti di 0,6
    • Centro clienti di 0,8
    • Centro clienti di 0,4
    • Centro clienti di 1.0
  3. Un rapporto interpreta un MCC di 0,6 come "il 60% dei casi erano corretti". Come si dovrebbe correggere questa interpretazione?
    • Vuol dire che è stato riscontrato il 60% dei casi positivi
    • Significa che il 60% dei positivi previsti era corretto
    • Ciò significa che il modello è calibrato con una confidenza del 60%.
    • L'MCC è una misura di correlazione, non la percentuale classificata correttamente
  4. Per i dati binari contenenti entrambe le classi, un classificatore inverte perfettamente ogni etichetta. Quale valore del Centro clienti descrive tale relazione?
    • 0
    • -1
    • 0,5
    • 1
  5. Una fabbrica valuta i difetti mancati in modo diverso dalle ispezioni non necessarie. Quali ulteriori prove sono necessarie insieme al MCC?
    • Un unico conteggio raggruppato di tutti gli errori, senza la loro tipologia
    • Solo la precisione alla soglia operativa attuale
    • L'errore conta e i relativi costi operativi
    • Solo un grafico di calibrazione delle probabilità, senza conteggi di errori
  6. Quali input sono appropriati per matthews_corrcoef di scikit-learn nel flusso di lavoro descritto?
    • Etichette osservate ed etichette previste
    • Etichette osservate e stime di probabilità non sogliate
    • Probabilità previste e loro copie arrotondate
    • Etichette di formazione ed etichette da casi di valutazione non correlati
  7. Perché la previsione di una singola classe per ogni caso richiede attenzione quando si interpreta la formula MCC binaria?
    • Il punteggio deve essere uguale all'accuratezza della classe maggioritaria
    • La classe prevista assente può essere ignorata senza influenzare la formula
    • Il richiamo perfetto per la classe scelta rende il denominatore uno
    • Un fattore denominatore diventa zero
  8. Quando si estende un rapporto Centro clienti a tre classi, quale approccio corrisponde alla guida?
    • Calcola tre valori MCC binari e prendi la loro media non ponderata
    • Utilizzare un'implementazione MCC multiclasse ed esaminare la matrice di confusione
    • Unisci le due classi più rare prima di interpretare l'attività originale
    • Utilizzare la precisione complessiva come definizione multiclasse di MCC