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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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