Gids-gekoppelde quiz · Middelmatig Niveau

Klassenonevenwicht en resampling-quiz

Test wanneer zeldzame klassen opnieuw moeten worden bemonsterd of opnieuw moeten worden gewogen, hoe gegevenslekken ontstaan ​​en welke statistieken nuttig blijven bij onevenwicht in de klassen.

Vraag 1 van 8

Waarom is pure nauwkeurigheid een slechte maatstaf voor een zeer onevenwichtig classificatieprobleem?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Waarom is pure nauwkeurigheid een slechte maatstaf voor een zeer onevenwichtig classificatieprobleem?
    • Een model kan heel hoog scoren door alleen maar de meerderheidsklasse te voorspellen
    • Nauwkeurigheid kan niet worden berekend als de klassen onevenwichtig zijn
    • Nauwkeurigheid werkt alleen bij regressie
    • Het vereist dat perfect uitgebalanceerde gegevens worden gedefinieerd
  2. Wat doet SMOTE?
    • Verwijdert willekeurig steekproeven uit meerderheidsklassen
    • Genereert synthetische minderheidsmonsters door interpolatie tussen buren
    • Verhoogt het leerpercentage voor zeldzame klassen
    • Converteert een classificatieprobleem naar regressie
  3. Welke aanpak pakt onbalans aan ZONDER het aantal trainingsvoorbeelden te veranderen?
    • Willekeurige overbemonstering
    • Onderbemonstering van de meerderheid
    • Klasseweging in de verliesfunctie
    • SMOTE
  4. Wat is een belangrijk risico bij het toepassen van oversampling voordat uw gegevens worden opgesplitst in trein- en testsets?
    • Het maakt de training langzamer
    • Het schrapt de meerderheidsklasse
    • Het veroorzaakt altijd onderfitting
    • Dubbele of synthetische minderheidspunten kunnen in de testset lekken, waardoor de scores worden opgeblazen
  5. Wat is het belangrijkste nadeel van willekeurige onderbemonstering?
    • Het negeert potentieel bruikbare gegevens over de meerderheidsklasse
    • Er worden valse gegevens gecreëerd die mogelijk onrealistisch zijn
    • Het werkt alleen voor afbeeldingsgegevens
    • Het verlengt altijd de trainingstijd
  6. Welke maatstaf is het meest geschikt voor het evalueren van een model op basis van zeldzaam-positieve gegevens?
    • Algemene nauwkeurigheid
    • Precision-Recall AUC- of F1-score
    • Gemiddelde kwadratische fout
    • Aantal trainingstijdvakken
  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)