Test de detectare a derivei modelului

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este diferența dintre deriva de date și deriva de concept?
   • Deriva datelor modifică distribuția intrărilor; deriva conceptului modifică relația input-to-output
   • Sunt două nume pentru același lucru
   • Deriva datelor afectează doar imaginile; deriva conceptului afectează doar textul
   • Derivarea datelor are loc la antrenament; deriva de concept are loc în testare
2. How should a team interpret a PSI value such as 0.30?
   • As a guarantee that model accuracy has fallen
   • As a signal to investigate under the chosen monitoring policy, not a universal proof of harmful drift
   • As an identical threshold for every feature and population
   • As proof that retraining must begin immediately
3. De ce poate detecta deviația bazată pe intrări să dea o avertizare timpurie?
   • Pentru că intrările sunt întotdeauna greșite mai întâi
   • Deoarece intrările sunt fișiere mai mici
   • Pentru că etichetele de adevăr de bază ajung adesea mult mai târziu decât predicțiile
   • Pentru că modelele ignoră complet etichetele
4. What does a two-sample Kolmogorov-Smirnov test compare?
   • The average accuracy of two classifiers only
   • The class labels predicted by a single model
   • The parameter values of two neural networks
   • The empirical cumulative distribution functions of two samples
5. Care scenariu este un exemplu clar de deriva conceptului?
   • Ceea ce utilizatorii consideră „spam” se schimbă în timp, chiar și pentru e-mailuri similare
   • O cameră produce imagini puțin mai luminoase
   • Vârstele clienților din setul de date rămân aceleași
   • Setul de date este stocat într-un nou format de fișier
6. What is a safe first response when an input-drift monitor triggers?
   • Automatically deploy a newly retrained model without evaluation
   • Investigate the data and impact, then decide whether retraining or another action is justified
   • Delete the reference data
   • Assume every shift is harmful concept drift
7. What can TensorFlow Data Validation check in an ML pipeline?
   • The causal effect of a feature
   • Whether every model prediction is correct
   • Data schemas and statistics, including unexpected changes
   • The absolute accuracy of an unlabeled dataset
8. What does the Population Stability Index (PSI) measure in a drift-monitoring setup?
   • The model’s accuracy on labeled examples
   • A causal effect of an input feature
   • A universal pass/fail threshold for all models
   • A numerical summary of how binned feature distributions differ between reference and current data