Test legat de ghid · Ușor Nivel

Test cu matrici de confuzie

Examinați modul în care numărul de matrice de confuzie dezvăluie erori de clasificare, acceptă valori comune și variază în funcție de convențiile de clasă și bibliotecă.

Căi de ghidare aferenteMatrici de confuzie
Întrebare 1 de 8

Într-o matrice de confuzie binară, ce este un fals negativ?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Într-o matrice de confuzie binară, ce este un fals negativ?
    • Un caz pozitiv modelul a prezis incorect ca fiind negativ
    • Un negativ prezis corect ca negativ
    • Un negativ prezis incorect ca pozitiv
    • Un pozitiv prezis corect ca pozitiv
  2. Precizia se calculează astfel:
    • TP / (TP + FN)
    • TP / (TP + FP)
    • TN / (TN + FP)
    • (TP + TN) / total
  3. Care măsurătoare măsoară proporția de pozitive reale pe care modelul le identifică corect?
    • Precizie
    • Specificitatea
    • Amintiți-vă
    • Precizie
  4. Într-o matrice de confuzie pentru o problemă cu 5 clase, ce reprezintă celulele diagonale?
    • Previziuni incorecte
    • Numai false pozitive
    • Numărul total de probe
    • Predicții corecte pentru fiecare clasă
  5. De ce numai acuratețea poate induce în eroare fără o matrice de confuzie?
    • Ascunde echilibrul dintre diferitele tipuri de erori, cum ar fi false pozitive și false negative
    • Precizia este întotdeauna greșită
    • Nu poate fi calculat pentru probleme binare
    • Necesită probabilități în loc de etichete
  6. Scorul F1 este media armonică a căror două metrici?
    • Acuratețe și specificitate
    • Precizie și reamintire
    • Sensibilitate și specificitate
    • Adevărate pozitive și adevărate negative
  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