Викторина по обнаружению аномалий

Ответы и пояснения появляются по мере прохождения теста.

1. Почему модели обнаружения аномалий часто обучаются в основном на «нормальных» данных, а не на помеченных аномалиях?
   • Обычные данные запрещено маркировать
   • Модели вообще не могут обрабатывать аномалии
   • Обычные данные не требуют вычислений
   • Аномалии редки, и помеченных примеров мало.
2. Как изоляционный лес идентифицирует аномалию?
   • Аномалии изолируются в меньшем количестве случайных разбиений, что обеспечивает более короткую длину пути.
   • Для изоляции аномалий требуется множество случайных разделений.
   • Он измеряет цвет каждой точки данных.
   • Сначала он группирует точки по их меткам.
3. Когда для обнаружения аномалий используется автоэнкодер, что сигнализирует об аномалии?
   • Низкая ошибка реконструкции
   • Высокая ошибка реконструкции при незнакомом вводе
   • Более быстрое время обучения
   • Больше слоев в сети
4. На что в первую очередь опирается метод локального фактора выбросов?
   • Алфавитный порядок функций
   • Общий размер файла набора данных
   • Плотность точек вокруг данной точки
   • Фиксированный список известных случаев мошенничества
5. Что является реальной проблемой для развернутых систем обнаружения аномалий?
   • Аномалии никогда не меняются со временем
   • Обычные данные всегда идеально помечены
   • Выбросы всегда составляют большую часть данных
   • Определение «нормального» может меняться, что требует адаптации
6. Какое приложение является классическим применением обнаружения аномалий?
   • Обнаружение мошеннических транзакций по кредитным картам
   • Сортировка фотографий по алфавиту
   • Перевод текста между языками
   • Сжатие видеофайлов
7. What does the contamination setting commonly represent in an Isolation Forest workflow?
   • The number of training trees that contain audio
   • An assumed or expected proportion of outliers used for thresholding
   • The probability a record was encrypted
   • The average depth of a normal point
8. Why should anomaly scores be reviewed with domain context?
   • An anomaly score always proves fraud
   • All normal data has an identical distribution
   • Rare but valid events can look unusual, and errors have different costs
   • A model score replaces an investigation