Gids-gekoppelde quiz · Gemakkelijk Niveau

Verwarringsmatrices Quiz

Bekijk hoe tellingen van verwarringsmatrixen classificatiefouten aan het licht brengen, gemeenschappelijke statistieken ondersteunen en variëren per klasse en bibliotheekconventies.

Gerelateerde gidspadenVerwarringsmatrixen
Vraag 1 van 8

Wat is een fout-negatief in een binaire verwarringsmatrix?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is een fout-negatief in een binaire verwarringsmatrix?
    • Een positief geval dat door het model ten onrechte als negatief werd voorspeld
    • Een negatief correct voorspeld als negatief
    • Een negatief wordt ten onrechte als positief voorspeld
    • Een positief correct voorspeld als positief
  2. Precisie wordt berekend als:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / totaal
  3. Welke maatstaf meet het aandeel werkelijke positieve resultaten dat het model correct identificeert?
    • Precisie
    • Specificiteit
    • Terugroepen
    • Nauwkeurigheid
  4. Wat vertegenwoordigen de diagonale cellen in een verwarringsmatrix voor een probleem met 5 klassen?
    • Onjuiste voorspellingen
    • Alleen maar valse positieven
    • Het totale aantal monsters
    • Correcte voorspellingen voor elke klasse
  5. Waarom kan nauwkeurigheid alleen misleidend zijn zonder een verwarringsmatrix?
    • Het verbergt de balans tussen verschillende soorten fouten, zoals valse positieven en valse negatieven
    • Nauwkeurigheid is altijd verkeerd
    • Het kan niet worden berekend voor binaire problemen
    • Het vereist waarschijnlijkheden in plaats van labels
  6. Van welke twee maatstaven is de F1-score het harmonische gemiddelde?
    • Nauwkeurigheid en specificiteit
    • Precisie en herinnering
    • Gevoeligheid en specificiteit
    • Echte positieven en echte negatieven
  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