Kuiz berkaitan panduan · Mudah Tahap

Kuiz Matriks Kekeliruan

Semak cara kiraan matriks kekeliruan mendedahkan ralat pengelas, menyokong metrik biasa dan berbeza-beza merentas kelas dan konvensyen perpustakaan.

Laluan panduan yang berkaitanMatriks Kekeliruan
soalan 1 daripada 8

Dalam matriks kekeliruan binari, apakah itu Negatif Palsu?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Dalam matriks kekeliruan binari, apakah itu Negatif Palsu?
    • Kes positif model yang diramalkan secara salah sebagai negatif
    • Negatif diramalkan dengan betul sebagai negatif
    • Negatif diramalkan secara salah sebagai positif
    • Positif diramalkan dengan betul sebagai positif
  2. Ketepatan dikira sebagai:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / jumlah
  3. Metrik yang manakah mengukur perkadaran positif sebenar yang dikenal pasti oleh model dengan betul?
    • Ketepatan
    • Kekhususan
    • Ingat kembali
    • Ketepatan
  4. Dalam matriks kekeliruan untuk masalah dengan 5 kelas, apakah yang diwakili oleh sel pepenjuru?
    • Ramalan yang salah
    • Positif palsu sahaja
    • Jumlah bilangan sampel
    • Ramalan yang betul untuk setiap kelas
  5. Mengapakah ketepatan sahaja boleh mengelirukan tanpa matriks kekeliruan?
    • Ia menyembunyikan keseimbangan antara jenis ralat yang berbeza seperti positif palsu dan negatif palsu
    • Ketepatan sentiasa salah
    • Ia tidak boleh dikira untuk masalah binari
    • Ia memerlukan kebarangkalian dan bukannya label
  6. Skor F1 ialah min harmonik yang manakah dua metrik?
    • Ketepatan dan kekhususan
    • Ketepatan dan ingatan semula
    • Sensitiviti dan kekhususan
    • Positif sebenar dan negatif sebenar
  7. In a binary confusion matrix, which count is a False Positive?
    • An actual positive that the model predicts as positive
    • An actual positive that the model predicts as negative
    • An actual negative that the model predicts as positive
    • An actual negative that the model predicts as negative
  8. Why should you check a library's confusion-matrix axis labels before calculating precision or recall?
    • The diagonal always contains false positives
    • Axis order changes the number of observations in the dataset
    • Precision and recall use no confusion-matrix cells
    • Libraries may place true classes in rows and predicted classes in columns, or use a different orientation