Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Pengelas Naive Bayes

Semak cara Naive Bayes menggabungkan keutamaan kelas dan kemungkinan ciri serta cara variannya mengendalikan kiraan, ciri binari dan data berterusan.

Laluan panduan yang berkaitanPengelas Naive Bayes
soalan 1 daripada 8

Apakah andaian teras 'naif' dalam pengelas Naive Bayes?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah andaian teras 'naif' dalam pengelas Naive Bayes?
    • Ciri adalah bebas bersyarat berdasarkan kelas
    • Kelas berkemungkinan sama
    • Semua ciri adalah berterusan dan diedarkan secara normal
    • Set data seimbang dengan sempurna
  2. Teorem yang manakah dibina Naive Bayes?
    • Teorem had pusat
    • Bayes’ theorem
    • Hukum bilangan besar
    • The Cauchy-Schwarz inequality
  3. Mengapa pelaksanaan biasanya menjumlahkan kebarangkalian log dan bukannya mendarabkan kebarangkalian mentah?
    • Untuk menjadikan model tak linear
    • Untuk mempercepatkan latihan kepada satu pas
    • Untuk mengelakkan pengaliran bawah berangka daripada mendarab banyak nombor kecil
    • Untuk menguatkuasakan kemerdekaan ciri
  4. Apakah masalah yang diselesaikan oleh pelicinan Laplace (tambah satu)?
    • Ia mengimbangi saiz kelas
    • Ia menormalkan ciri berterusan
    • Ia mengalih keluar ciri berkorelasi
    • Ia menghalang ciri yang tidak kelihatan daripada memaksa kebarangkalian sifar
  5. Varian Naive Bayes manakah yang paling semula jadi untuk ciri pengiraan perkataan dalam dokumen?
    • Teluk Naif Multinomial
    • Gaussian Naive Bayes
    • Bernoulli Naive Bayes
    • Linear Naive Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Ia menjamin ketepatan terbaik pada mana-mana set data
    • Ia pantas, boleh ditafsir dan berfungsi dengan baik dengan sedikit data
    • Ia secara automatik mempelajari interaksi ciri
    • Ia tidak memerlukan data latihan
  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