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.
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.
- 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
- Su quale teorema si basa Naive Bayes?
- Il teorema del limite centrale
- Bayes’ theorem
- La legge dei grandi numeri
- The Cauchy-Schwarz inequality
- 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
- 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
- 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
- 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
- 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
- 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