Quiz połączony z przewodnikiem · Średni Poziom

Quiz naiwnych klasyfikatorów Bayesa

Sprawdź, jak Naive Bayes łączy priorytety klas i prawdopodobieństwa cech oraz jak jego warianty radzą sobie ze zliczeniami, funkcjami binarnymi i danymi ciągłymi.

Powiązane ścieżki prowadząceNaiwne klasyfikatory Bayesa
Pytanie 1 z 8

Jakie jest podstawowe „naiwne” założenie w naiwnym klasyfikatorze Bayesa?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie jest podstawowe „naiwne” założenie w naiwnym klasyfikatorze Bayesa?
    • Funkcje są warunkowo niezależne, biorąc pod uwagę klasę
    • Klasy są równie prawdopodobne
    • Wszystkie cechy są ciągłe i mają rozkład normalny
    • Zbiór danych jest doskonale zrównoważony
  2. Na którym twierdzeniu opiera się Naiwny Bayes?
    • Centralne twierdzenie graniczne
    • Bayes’ theorem
    • Prawo wielkich liczb
    • The Cauchy-Schwarz inequality
  3. Dlaczego implementacje zwykle sumują logarytmiczne prawdopodobieństwa zamiast mnożyć surowe prawdopodobieństwa?
    • Aby model był nieliniowy
    • Aby przyspieszyć trening do jednego przejścia
    • Aby uniknąć niedoborów liczbowych przy mnożeniu wielu małych liczb
    • Aby wymusić niezależność funkcji
  4. Jaki problem rozwiązuje wygładzanie Laplace'a (dodawanie jednego)?
    • Równoważy wielkość klas
    • Normalizuje cechy ciągłe
    • Usuwa powiązane funkcje
    • Zapobiega wymuszeniu przez niewidzialną cechę prawdopodobieństwa równego zero
  5. Który wariant Naive Bayesa jest najbardziej naturalny w przypadku funkcji liczenia słów w dokumentach?
    • Wielomian naiwny Bayesa
    • Gaussowski naiwny Bayes
    • Bernoulli Naiwny Bayes
    • Liniowy naiwny Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Gwarantuje najlepszą dokładność dowolnego zbioru danych
    • Jest szybki, łatwy do interpretacji i działa dobrze z małą ilością danych
    • Automatycznie uczy się interakcji między funkcjami
    • Nie wymaga danych treningowych
  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