Викторина, связанная с руководством · Средний Уровень

Викторина по наивным байесовским классификаторам

Посмотрите, как метод Наивного Байеса объединяет априорные значения классов и вероятности признаков, а также как его варианты обрабатывают подсчеты, двоичные функции и непрерывные данные.

Связанные направляющие путиНаивные байесовские классификаторы
Вопрос 1 из 8

Каково основное «наивное» предположение в наивном байесовском классификаторе?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Каково основное «наивное» предположение в наивном байесовском классификаторе?
    • Функции условно независимы, учитывая класс
    • Классы равновероятны
    • Все функции непрерывны и нормально распределены.
    • Набор данных идеально сбалансирован
  2. На какой теореме основан наивный Байес?
    • Центральная предельная теорема
    • Bayes’ theorem
    • Закон больших чисел
    • The Cauchy-Schwarz inequality
  3. Почему реализации обычно суммируют логарифмические вероятности, а не умножают необработанные вероятности?
    • Чтобы сделать модель нелинейной
    • Ускорить обучение до одного прохода
    • Чтобы избежать числового опустошения при умножении многих маленьких чисел
    • Чтобы обеспечить независимость функций
  4. Какую проблему решает сглаживание по Лапласу (дополнительная единица)?
    • Это балансирует размеры классов
    • Он нормализует непрерывные функции
    • Он удаляет коррелирующие функции
    • Это предотвращает появление невидимой функции, вызывающей нулевую вероятность.
  5. Какой вариант Наивного Байеса наиболее естественен для функций подсчета слов в документах?
    • Полиномиальный наивный Байес
    • Гауссово-наивный байесовский метод
    • Бернулли Наивный Байес
    • Линейный наивный Байес
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Это гарантирует максимальную точность для любого набора данных.
    • Он быстрый, интерпретируемый и хорошо работает с небольшим количеством данных.
    • Он автоматически изучает взаимодействие функций
    • Он не требует никаких обучающих данных
  7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
    • A uniform distribution over every possible value
    • A multinomial distribution over word counts
    • A Gaussian (normal) distribution
    • A distribution that is always exactly zero
  8. Which feature representation fits Bernoulli Naive Bayes most naturally?
    • The number of times each word occurs
    • A continuous pixel intensity modeled by a normal curve
    • A sequence of audio frames
    • Whether each word is present or absent in a document