Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący braku równowagi klas i ponownego próbkowania
Testuje, kiedy należy ponownie próbkować lub ponownie ważyć rzadkie klasy, w jaki sposób dochodzi do wycieku danych i które metryki pozostają przydatne w przypadku braku równowagi klas.
Pytanie 1 z 8
Dlaczego zwykła dokładność jest słabą miarą w przypadku wysoce niezrównoważonego problemu klasyfikacji?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Dlaczego zwykła dokładność jest słabą miarą w przypadku wysoce niezrównoważonego problemu klasyfikacji?
- Model może uzyskać bardzo wysokie wyniki, po prostu zawsze przewidując klasę większości
- Dokładności nie można obliczyć, gdy klasy są niezrównoważone
- Dokładność działa tylko w przypadku regresji
- Wymaga zdefiniowania idealnie zrównoważonych danych
- Co robi SMOTE?
- Usuwa losowo próbki klasy większościowej
- Generuje syntetyczne próbki mniejszości poprzez interpolację między sąsiadami
- Zwiększa szybkość uczenia się rzadkich klas
- Przekształca problem klasyfikacji w regresję
- Które podejście radzi sobie z brakiem równowagi BEZ zmiany liczby przykładów szkoleniowych?
- Losowe nadpróbkowanie
- Podpróbkowanie większości
- Ważenie klas w funkcji straty
- PALENIE
- Jakie jest główne ryzyko zastosowania nadmiernego próbkowania przed podziałem danych na zbiory pociągowe i testowe?
- To sprawia, że trening jest wolniejszy
- Usuwa klasę większościową
- Zawsze powoduje to niedopasowanie
- Zduplikowane lub syntetyczne punkty mniejszości mogą przedostać się do zbioru testowego, zawyżając wyniki
- Jaka jest główna wada losowego podpróbkowania?
- Odrzuca potencjalnie przydatne dane klasy większościowej
- Tworzy fałszywe dane, które mogą być nierealne
- Działa tylko w przypadku danych obrazu
- To zawsze wydłuża czas szkolenia
- Który wskaźnik jest najodpowiedniejszy do oceny modelu na podstawie rzadko pozytywnych danych?
- Ogólna dokładność
- Precyzyjne przywołanie wyniku AUC lub F1
- Średni błąd kwadratowy
- Liczba epok szkoleniowych
- 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)