Gids-gekoppelde quiz · Middelmatig Niveau
Naïeve Bayes Classifiers-quiz
Bekijk hoe Naive Bayes klasseprioriteiten en kenmerkwaarschijnlijkheden combineert, en hoe de varianten omgaan met tellingen, binaire kenmerken en continue gegevens.
Vraag 1 van 8
Wat is de belangrijkste 'naïeve' aanname in een Naïeve Bayes-classificator?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is de belangrijkste 'naïeve' aanname in een Naïeve Bayes-classificator?
- Functies zijn voorwaardelijk onafhankelijk gezien de klasse
- Klassen zijn even waarschijnlijk
- Alle kenmerken zijn continu en normaal verdeeld
- De dataset is perfect uitgebalanceerd
- Op welke stelling is Naive Bayes gebaseerd?
- De centrale limietstelling
- Bayes’ theorem
- De wet van de grote getallen
- The Cauchy-Schwarz inequality
- Waarom tellen implementaties doorgaans de log-kansen op in plaats van de ruwe kansen te vermenigvuldigen?
- Om het model niet-lineair te maken
- Om de training te versnellen tot een enkele pas
- Om te voorkomen dat numerieke onderstroom ontstaat door het vermenigvuldigen van veel kleine getallen
- Om de onafhankelijkheid van functies af te dwingen
- Welk probleem lost Laplace (add-one) smoothing op?
- Het brengt de klassengrootte in evenwicht
- Het normaliseert continue functies
- Het verwijdert gecorreleerde functies
- Het voorkomt dat een onzichtbaar kenmerk een waarschijnlijkheid van nul afdwingt
- Welke Naive Bayes-variant is het meest natuurlijk voor functies voor het tellen van woorden in documenten?
- Multinomiale naïeve Bayes
- Gaussiaanse naïeve Bayes
- Bernoulli Naïeve Bayes
- Lineaire naïeve Bayes
- Why might Naive Bayes be useful as a lightweight baseline?
- Het garandeert de beste nauwkeurigheid voor elke dataset
- Het is snel, interpreteerbaar en werkt goed met weinig gegevens
- Het leert automatisch functie-interacties
- Er zijn geen trainingsgegevens vereist
- 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
- 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