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.

Gerelateerde gidspadenNaïeve Bayes-classificatoren
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.

  1. 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
  2. Op welke stelling is Naive Bayes gebaseerd?
    • De centrale limietstelling
    • Bayes’ theorem
    • De wet van de grote getallen
    • The Cauchy-Schwarz inequality
  3. 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
  4. 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
  5. 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
  6. 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
  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