クラスの不均衡とリサンプリングに関するクイズ

クイズに答えると、答えと解説が表示されます。

1. 単純な精度が、非常に不均衡な分類問題の指標として不十分なのはなぜですか?
   • モデルは常に多数派クラスを予測するだけで非常に高いスコアを得ることができます
   • クラスの不均衡がある場合、精度を計算できません
   • 精度は回帰に対してのみ機能します
   • 完全にバランスの取れたデータを定義する必要があります
2. SMOTEって何をするの？
   • マジョリティクラスのサンプルをランダムに削除します
   • 近傍間を補間して合成少数派サンプルを生成します
   • レアクラスの学習率が上昇します
   • 分類問題を回帰に変換します
3. トレーニング サンプルの数を変更せずに不均衡に対処するアプローチはどれですか?
   • ランダムオーバーサンプリング
   • 大部分をアンダーサンプリングする
   • 損失関数におけるクラスの重み付け
   • リモート
4. データをトレーニング セットとテスト セットに分割する前にオーバーサンプリングを適用する主なリスクは何ですか?
   • トレーニングが遅くなる
   • 多数派クラスを削除します
   • 常にアンダーフィッティングの原因となります
   • 重複または合成された少数点がテスト セットに漏れ込み、スコアが膨らむ可能性があります。
5. ランダムアンダーサンプリングの主な欠点は何ですか?
   • 潜在的に有用な多数派クラスのデータを破棄します
   • 非現実的な可能性がある偽のデータを作成します
   • 画像データに対してのみ機能します
   • トレーニング時間が常に増加します
6. まれに陽性データに基づいてモデルを評価するのに最も適切な指標はどれですか?
   • 全体的な精度
   • 適合率-再現率 AUC または F1 スコア
   • 平均二乗誤差
   • トレーニング エポックの数
7. What does adjusting the decision threshold after training change?
   • The number of features in the model
   • The class proportions in the training data
   • The trade-off between which examples are labeled positive and negative without changing the training examples
   • The model’s learned weights automatically
8. Which metric does the guide name as an additional option for rare-positive classification?
   • Mean squared error only
   • BLEU score
   • Silhouette coefficient
   • Matthews Correlation Coefficient (MCC)