Quiz collegato alla guida · Medio Livello

Quiz sui classificatori di Naive Bayes

Scopri come Naive Bayes combina i valori a priori delle classi e le probabilità delle funzionalità e come le sue varianti gestiscono i conteggi, le funzionalità binarie e i dati continui.

Percorsi guida correlatiClassificatori Naive Bayes
Domanda 1 di 8

Qual è il presupposto "ingenuo" fondamentale in un classificatore Naive Bayes?

Anteprima di ogni domanda8 domande

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

  1. Qual è il presupposto "ingenuo" fondamentale in un classificatore Naive Bayes?
    • Le caratteristiche sono condizionatamente indipendenti data la classe
    • Le lezioni sono ugualmente probabili
    • Tutte le caratteristiche sono continue e normalmente distribuite
    • Il set di dati è perfettamente bilanciato
  2. Su quale teorema si basa Naive Bayes?
    • Il teorema del limite centrale
    • Bayes’ theorem
    • La legge dei grandi numeri
    • The Cauchy-Schwarz inequality
  3. Perché le implementazioni di solito sommano le probabilità logaritmiche invece di moltiplicare le probabilità grezze?
    • Per rendere il modello non lineare
    • Per velocizzare l'allenamento ad un unico passaggio
    • Per evitare l'underflow numerico derivante dalla moltiplicazione di molti numeri piccoli
    • Per imporre l'indipendenza delle funzionalità
  4. Quale problema risolve lo smoothing di Laplace (add-one)?
    • Bilancia le dimensioni delle classi
    • Normalizza le funzionalità continue
    • Rimuove le funzionalità correlate
    • Impedisce che una caratteristica invisibile forzi una probabilità pari a zero
  5. Quale variante di Naive Bayes è più naturale per le funzionalità di conteggio delle parole nei documenti?
    • Bayes ingenuo multinomiale
    • Bayes naive gaussiano
    • Bernoulli Naive Bayes
    • Bayes ingenuo lineare
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Garantisce la massima precisione su qualsiasi set di dati
    • È veloce, interpretabile e funziona bene con pochi dati
    • Apprende automaticamente le interazioni delle funzionalità
    • Non richiede dati di addestramento
  7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
    • A uniform distribution over every possible value
    • A multinomial distribution over word counts
    • A Gaussian (normal) distribution
    • A distribution that is always exactly zero
  8. Which feature representation fits Bernoulli Naive Bayes most naturally?
    • The number of times each word occurs
    • A continuous pixel intensity modeled by a normal curve
    • A sequence of audio frames
    • Whether each word is present or absent in a document