Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący wykrywania anomalii

Oceń, dlaczego anomalie są trudne do oznakowania, czym różnią się metody lasów izolacyjnych i metod gęstości lokalnej oraz dlaczego wdrożone wartości bazowe mogą się zmieniać.

Powiązane ścieżki prowadząceWykrywanie anomalii
Pytanie 1 z 8

Dlaczego modele wykrywania anomalii są często szkolone głównie na „normalnych” danych, a nie na etykietowanych anomaliach?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Dlaczego modele wykrywania anomalii są często szkolone głównie na „normalnych” danych, a nie na etykietowanych anomaliach?
    • Etykietowanie normalnych danych jest nielegalne
    • Modele w ogóle nie są w stanie przetwarzać anomalii
    • Normalne dane nie wymagają obliczeń
    • Anomalie są rzadkie, a oznakowane przykłady są rzadkie
  2. W jaki sposób las izolacyjny identyfikuje anomalię?
    • Anomalie są izolowane w mniejszej liczbie losowych podziałów, co daje krótsze długości ścieżek
    • Wyizolowanie anomalii wymaga wielu losowych podziałów
    • Mierzy kolor każdego punktu danych
    • Najpierw grupuje punkty według ich etykiet
  3. Kiedy do wykrywania anomalii używany jest autoenkoder, co sygnalizuje anomalię?
    • Niski błąd rekonstrukcji
    • Wysoki błąd rekonstrukcji na nieznanych danych wejściowych
    • Szybszy czas treningu
    • Więcej warstw w sieci
  4. Na czym przede wszystkim opiera się metoda Lokalnego Czynnika Odstającego?
    • Alfabetyczna kolejność cech
    • Całkowity rozmiar pliku zestawu danych
    • Gęstość punktów wokół danego punktu
    • Stała lista znanych przypadków oszustw
  5. Jakie jest realistyczne wyzwanie dla wdrożonych systemów wykrywania anomalii?
    • Anomalie nigdy nie zmieniają się w czasie
    • Normalne dane są zawsze doskonale oznaczone
    • Wartości odstające stanowią zawsze większość danych
    • Definicja „normalności” może się zmieniać i wymagać dostosowania
  6. Która aplikacja jest klasycznym zastosowaniem wykrywania anomalii?
    • Wykrywanie fałszywych transakcji kartą kredytową
    • Sortowanie zdjęć alfabetycznie
    • Tłumaczenie tekstu pomiędzy językami
    • Kompresja plików wideo
  7. What does the contamination setting commonly represent in an Isolation Forest workflow?
    • The number of training trees that contain audio
    • An assumed or expected proportion of outliers used for thresholding
    • The probability a record was encrypted
    • The average depth of a normal point
  8. Why should anomaly scores be reviewed with domain context?
    • An anomaly score always proves fraud
    • All normal data has an identical distribution
    • Rare but valid events can look unusual, and errors have different costs
    • A model score replaces an investigation