Quiz połączony z przewodnikiem · Łatwe Poziom

Quiz dotyczący macierzy zamieszania

Przejrzyj, w jaki sposób liczniki macierzy zamieszania ujawniają błędy klasyfikatorów, obsługują typowe metryki i różnią się w zależności od konwencji klas i bibliotek.

Powiązane ścieżki prowadząceMatryce zamieszania
Pytanie 1 z 8

Co w binarnej macierzy zamieszania oznacza wynik fałszywie ujemny?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Co w binarnej macierzy zamieszania oznacza wynik fałszywie ujemny?
    • Przypadek pozytywny, który model błędnie przewidział jako negatywny
    • Negatyw poprawnie przewidywany jako negatywny
    • Wynik negatywny błędnie przewidywany jako pozytywny
    • Wynik pozytywny prawidłowo przewidywany jako pozytywny
  2. Precyzja jest obliczana jako:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / łącznie
  3. Który miernik mierzy proporcję rzeczywistych pozytywów, które model poprawnie identyfikuje?
    • Precyzja
    • Specyfika
    • Przypomnij sobie
    • Dokładność
  4. Co w macierzy zamieszania dla problemu z 5 klasami reprezentują komórki ukośne?
    • Błędne przewidywania
    • Tylko fałszywe alarmy
    • Całkowita liczba próbek
    • Prawidłowe prognozy dla każdej klasy
  5. Dlaczego sama dokładność może wprowadzać w błąd bez matrycy zamieszania?
    • Ukrywa równowagę między różnymi typami błędów, takimi jak fałszywe alarmy i fałszywe alarmy
    • Dokładność jest zawsze błędna
    • Nie można go obliczyć dla problemów binarnych
    • Wymaga prawdopodobieństw zamiast etykiet
  6. Wynik F1 jest średnią harmoniczną jakich dwóch wskaźników?
    • Dokładność i konkretność
    • Precyzja i pamięć
    • Czułość i swoistość
    • Prawdziwe pozytywy i prawdziwe negatywy
  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