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.
- 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
- 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
- Welke aanpak pakt onbalans aan ZONDER het aantal trainingsvoorbeelden te veranderen?
- Willekeurige overbemonstering
- Onderbemonstering van de meerderheid
- Klasseweging in de verliesfunctie
- SMOTE
- 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
- 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
- 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
- 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
- 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)