Questionário vinculado ao guia · Fácil Nível

Questionário sobre matrizes de confusão

Revise como as contagens da matriz de confusão revelam erros do classificador, suportam métricas comuns e variam entre convenções de classe e biblioteca.

Caminhos de guia relacionadosMatrizes de confusão
Pergunta 1 de 8

Em uma matriz de confusão binária, o que é um falso negativo?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Em uma matriz de confusão binária, o que é um falso negativo?
    • Um caso positivo que o modelo previu incorretamente como negativo
    • Um negativo previsto corretamente como negativo
    • Um negativo previsto incorretamente como positivo
    • Um positivo previsto corretamente como positivo
  2. A precisão é calculada como:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) /total
  3. Qual métrica mede a proporção de positivos reais que o modelo identifica corretamente?
    • Precisão
    • Especificidade
    • Lembre-se
    • Precisão
  4. Numa matriz de confusão para um problema com 5 classes, o que representam as células diagonais?
    • Previsões incorretas
    • Somente falsos positivos
    • O número total de amostras
    • Previsões corretas para cada classe
  5. Por que a precisão por si só pode ser enganosa sem uma matriz de confusão?
    • Esconde o equilíbrio entre diferentes tipos de erros, como falsos positivos e falsos negativos
    • A precisão está sempre errada
    • Não pode ser calculado para problemas binários
    • Requer probabilidades em vez de rótulos
  6. A pontuação F1 é a média harmônica de quais duas métricas?
    • Precisão e especificidade
    • Precisão e recall
    • Sensibilidade e especificidade
    • Verdadeiros positivos e verdadeiros negativos
  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