Questionário vinculado ao guia · Médio Nível

Questionário sobre classificadores Naive Bayes

Verifique como Naive Bayes combina antecedentes de classe e probabilidades de recursos, e como suas variantes lidam com contagens, recursos binários e dados contínuos.

Caminhos de guia relacionadosClassificadores Naive Bayes
Pergunta 1 de 8

Qual é a suposição 'ingênua' central em um classificador Naive Bayes?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é a suposição 'ingênua' central em um classificador Naive Bayes?
    • Os recursos são condicionalmente independentes de acordo com a classe
    • As aulas são igualmente prováveis
    • Todos os recursos são contínuos e normalmente distribuídos
    • O conjunto de dados está perfeitamente equilibrado
  2. Em qual teorema se baseia Naive Bayes?
    • O teorema do limite central
    • Bayes’ theorem
    • A lei dos grandes números
    • The Cauchy-Schwarz inequality
  3. Por que as implementações geralmente somam as probabilidades logarítmicas em vez de multiplicar as probabilidades brutas?
    • Para tornar o modelo não linear
    • Para acelerar o treinamento em uma única passagem
    • Para evitar o estouro numérico da multiplicação de muitos números pequenos
    • Para impor independência de recursos
  4. Que problema a suavização de Laplace (adicional) resolve?
    • Equilibra o tamanho das turmas
    • Normaliza recursos contínuos
    • Remove recursos correlacionados
    • Impede que um recurso não visto force uma probabilidade de zero
  5. Qual variante do Naive Bayes é mais natural para recursos de contagem de palavras em documentos?
    • Multinomial Ingênuo Bayes
    • Gaussiano Ingênuo Bayes
    • Bernoulli Naive Bayes
    • Linear Ingênuo Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Garante a melhor precisão em qualquer conjunto de dados
    • É rápido, interpretável e funciona bem com poucos dados
    • Ele aprende automaticamente as interações dos recursos
    • Não requer dados de treinamento
  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