Test legat de ghid · Mediu Nivel
Test de dezechilibru de clasă și reeșantionare
Testează când să reeșantioneze sau să repondereze clasele rare, cum apare scurgerea de date și ce valori rămân utile în caz de dezechilibru de clasă.
Întrebare 1 de 8
De ce este precizia simplă o măsurătoare slabă pentru o problemă de clasificare foarte dezechilibrată?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- De ce este precizia simplă o măsurătoare slabă pentru o problemă de clasificare foarte dezechilibrată?
- Un model poate avea un scor foarte mare doar prezicând întotdeauna clasa majoritară
- Precizia nu poate fi calculată atunci când clasele sunt dezechilibrate
- Precizia funcționează doar pentru regresie
- Este nevoie de date perfect echilibrate pentru a fi definite
- Ce face SMOTE?
- Șterge la întâmplare mostre din clasa majoritară
- Generează eșantioane minoritare sintetice prin interpolarea între vecini
- Crește rata de învățare pentru clasele rare
- Transformă o problemă de clasificare în regresie
- Care abordare tratează dezechilibrul FĂRĂ a modifica numărul de exemple de antrenament?
- Supraeșantionare aleatorie
- Subeșantionarea majorității
- Ponderarea clasei în funcția de pierdere
- SMOTE
- Care este un risc cheie al aplicării supraeșantionării înainte de a vă împărți datele în seturi de tren și de testare?
- Face antrenamentul mai lent
- Șterge clasa majoritară
- Întotdeauna provoacă subadaptare
- Punctele minoritare duplicate sau sintetice se pot scurge în setul de test, umfland scorurile
- Care este principalul dezavantaj al subeșantionării aleatorii?
- Îndepărtează datele potențial utile din clasa majoritară
- Creează date false care pot fi nerealiste
- Funcționează doar pentru datele de imagine
- Întotdeauna crește timpul de antrenament
- Care măsurătoare este cea mai potrivită pentru evaluarea unui model pe date rare-pozitive?
- Precizie generală
- Precizie-Recall AUC sau scor F1
- Eroare medie pătratică
- Numărul de epoci de instruire
- 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
- scor BLEU
- Silhouette coefficient
- Matthews Correlation Coefficient (MCC)