ガイド連動クイズ · 中 レベル

単純ベイズ分類器クイズ

Naive Bayes がクラス事前確率と特徴尤度をどのように組み合わせているか、またそのバリアントがカウント、バイナリ特徴、連続データをどのように処理しているかを確認してください。

関連するガイドパス単純ベイズ分類器
質問 1 の 8

ナイーブ ベイズ分類器の中核となる「ナイーブ」仮定は何ですか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. ナイーブ ベイズ分類器の中核となる「ナイーブ」仮定は何ですか?
    • 機能はクラスに応じて条件付きで独立しています
    • クラスの可能性は等しい
    • すべての特徴は連続的で正規分布しています
    • データセットは完全にバランスが取れています
  2. Naive Bayes はどの定理に基づいて構築されていますか?
    • 中心極限定理
    • Bayes’ theorem
    • 大数の法則
    • The Cauchy-Schwarz inequality
  3. 実装では通常、生の確率を乗算するのではなく、対数確率を合計するのはなぜですか?
    • モデルを非線形にするには
    • シングルパスまでのトレーニングをスピードアップするには
    • 多数の小さな数値を乗算することによる数値アンダーフローを回避するには
    • 機能の独立性を強制するには
  4. ラプラス (加算) スムージングはどのような問題を解決しますか?
    • クラスサイズのバランスをとる
    • 連続的な特徴を正規化します
    • 相関のある特徴を削除します
    • 目に見えない特徴によって確率がゼロになることを防ぎます。
  5. 文書内の語数特徴として最も自然な Naive Bayes の変形はどれですか?
    • 多項単純ベイズ
    • ガウス単純ベイズ
    • ベルヌーイ ナイーブ ベイズ
    • 線形単純ベイズ
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • あらゆるデータセットで最高の精度を保証します
    • 高速で解釈しやすく、少量のデータでもうまく機能します
    • 機能のインタラクションを自動的に学習します
    • トレーニングデータは必要ありません
  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