Викторина, связанная с руководством · Средний Уровень
Тест на коэффициент корреляции Мэтьюза
Проверьте рассуждения о матрице путаницы, расчеты MCC и ловушки дисбаланса классов на примерах спам-фильтров и обнаружения дефектов.
Вопрос 1 из 8
Фильтр помечает все 1000 сообщений как законные, тогда как 990 действительно являются законными. Почему его 99-процентная точность является недостаточным доказательством полезного обнаружения спама?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Фильтр помечает все 1000 сообщений как законные, тогда как 990 действительно являются законными. Почему его 99-процентная точность является недостаточным доказательством полезного обнаружения спама?
- Каждая ошибка большинства имеет больший вес, чем ошибка спама.
- Одна лишь точность показывает, что оба класса обладают высокой запоминаемостью.
- Фильтр не обнаружил ни одного из десяти спам-сообщений.
- MCC 0,99 непосредственно следует из этой точности.
- Какое значение получается из матрицы путаницы игрушек, составленной в руководстве, с 40 истинными положительными значениями, 40 истинными отрицательными значениями и по 10 ошибок каждого типа?
- МКК 0,6
- МКК 0,8
- МКК 0,4
- МСС 1,0
- В отчете MCC 0,6 интерпретируется как «60% случаев были верными». Как следует исправить эту интерпретацию?
- Это означает, что обнаружено 60% положительных случаев.
- Это означает, что 60% прогнозируемых положительных результатов оказались верными.
- Это означает, что модель откалибрована с достоверностью 60%.
- MCC — это показатель корреляции, а не правильно классифицированный процент.
- Для двоичных данных, содержащих оба класса, классификатор полностью меняет каждую метку. Какое значение MCC описывает эту связь?
- 0
- -1
- 0,5
- 1
- Завод ценит упущенные дефекты иначе, чем ненужные проверки. Какие дополнительные доказательства необходимы наряду с MCC?
- Единый объединенный подсчет всех ошибок без их типов.
- Только точность на текущем рабочем пороге
- Количество ошибок и их эксплуатационные расходы
- Только график калибровки вероятности, без подсчета ошибок
- Какие входные данные подходят для matthews_corrcoef scikit-learn в описанном рабочем процессе?
- Наблюдаемые метки и прогнозируемые метки
- Наблюдаемые метки и непороговые оценки вероятности
- Прогнозируемые вероятности и их округленные копии
- Метки обучения и метки из несвязанных случаев оценки
- Почему прогнозирование одного класса для каждого случая требует осторожности при интерпретации бинарной формулы MCC?
- Оценка должна равняться точности большинства.
- Отсутствующий прогнозируемый класс можно игнорировать, не влияя на формулу.
- Идеальное припоминание выбранного класса делает знаменатель равным
- Один коэффициент знаменателя становится нулевым
- Какой подход соответствует руководству при расширении отчета MCC до трех классов?
- Вычислите три двоичных значения MCC и возьмите их невзвешенное среднее значение.
- Используйте многоклассовую реализацию MCC и проверьте матрицу путаницы.
- Объедините два самых редких класса перед интерпретацией исходной задачи.
- Используйте общую точность как многоклассовое определение MCC.