教師あり学習クイズ

クイズに答えると、答えと解説が表示されます。

1. 教師あり学習では、何がトレーニング データセットに「ラベルを付ける」のでしょうか?
   • 各サンプルは、ファイルの種類とサイズに応じてフォルダーに分類されています。
   • Each example is paired with a target output for the model to learn
   • 各サンプルは圧縮されているため、モデルは短時間で読み込むことができます。
   • 各例には、最初に収集されたときを正確に記録するタイムスタンプが含まれています。
2. 電子メールがスパムであるかどうかを予測するモデルは、どのタイプの教師あり学習問題を解決していますか?
   • 回帰
   • 分類
   • 次元削減
   • クラスタリング
3. 住宅のサイズと位置から売却価格を予測することは、どのような例でしょうか?
   • 類似した住宅がエリアごとにグループ化されるため、クラスター化されます。
   • 回帰。出力は連続数値であるため
   • 住宅が別個の近隣地域に属しているため、分類
   • 価格は売り手に報酬を与えるため、強化学習
4. なぜ実践者は、トレーニング中にモデルが決して見ることのない別のテストセットを差し控えるのでしょうか?
   • トレーニング精度がピークに達したときにモデルに追加のサンプルを提供するため
   • トレーニング データが失われた場合に備えてバックアップ コピーを保存するには
   • 新しい未確認データに対してモデルがどの程度うまく機能するかを推定するため
   • 使用するサンプルを減らしてトレーニングをより速く実行するには
5. When should preprocessing steps such as fitted scaling be learned for a supervised-learning evaluation?
   • From all rows before splitting so the test set helps estimate them
   • From test examples only
   • From the training partition, then applied to validation and test examples
   • From whichever partition gives the best final score
6. The guide’s classifier catches 30 of 40 urgent messages and flags 20 ordinary messages. Which recall and precision values follow?
   • Recall 75%; precision 60%
   • Recall 60%; precision 75%
   • Recall 100%; precision 50%
   • Recall 30%; precision 20%
7. A dataset has repeated records for the same person. What risk can a random row split create?
   • The model is guaranteed to have low recall
   • Related records can appear in both training and test sets, leaking information
   • The target labels automatically become numerical
   • The test set is no longer allowed to contain labels
8. What can changing a classification threshold do, according to the guide?
   • Change the tradeoff between false positives and false negatives without changing learned parameters
   • Change the training labels into features
   • Guarantee both error types become zero
   • Replace the need to evaluate model performance