Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Ketidakseimbangan Kelas dan Pensampelan Semula

Menguji masa untuk mengambil semula atau menimbang semula kelas yang jarang berlaku, cara kebocoran data timbul dan metrik yang kekal berguna di bawah ketidakseimbangan kelas.

soalan 1 daripada 8

Mengapakah ketepatan biasa merupakan metrik yang lemah untuk masalah pengelasan yang sangat tidak seimbang?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Mengapakah ketepatan biasa merupakan metrik yang lemah untuk masalah pengelasan yang sangat tidak seimbang?
    • Model boleh mendapat markah yang sangat tinggi hanya dengan sentiasa meramalkan kelas majoriti
    • Ketepatan tidak boleh dikira apabila kelas tidak seimbang
    • Ketepatan hanya berfungsi untuk regresi
    • Ia memerlukan data yang seimbang sempurna untuk ditakrifkan
  2. Apakah yang SMOTE lakukan?
    • Memadam sampel kelas majoriti secara rawak
    • Menghasilkan sampel minoriti sintetik dengan menginterpolasi antara jiran
    • Meningkatkan kadar pembelajaran untuk kelas yang jarang ditemui
    • Menukar masalah klasifikasi kepada regresi
  3. Pendekatan yang manakah mengendalikan ketidakseimbangan TANPA mengubah bilangan contoh latihan?
    • Pensampelan berlebihan rawak
    • Kurang sampel majoriti
    • Pemberat kelas dalam fungsi kehilangan
    • SMOTE
  4. Apakah risiko utama untuk menggunakan pensampelan berlebihan sebelum membahagikan data anda kepada set kereta api dan ujian?
    • Ia menjadikan latihan lebih perlahan
    • Ia memadamkan kelas majoriti
    • Ia sentiasa menyebabkan ketidaksesuaian
    • Mata minoriti pendua atau sintetik boleh bocor ke dalam set ujian, meningkatkan markah
  5. Apakah kelemahan utama pensampelan terkurang rawak?
    • Ia membuang data kelas majoriti yang berpotensi berguna
    • Ia mencipta data palsu yang mungkin tidak realistik
    • Ia hanya berfungsi untuk data imej
    • Ia sentiasa meningkatkan masa latihan
  6. Metrik manakah yang paling sesuai untuk menilai model pada data jarang-positif?
    • Ketepatan keseluruhan
    • Skor AUC atau F1 Precision-Recall
    • Min ralat kuasa dua
    • Bilangan zaman latihan
  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)