Викторина, связанная с руководством · Средний Уровень
Одноклассная викторина по SVM
Просмотрите границу новизны SVM одного класса, роли nu и gamma, а также пределы оценок, полученных на основе справочных данных.
Вопрос 1 из 8
Какие данные обычно использует SVM одного класса для изучения границ новизны?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Какие данные обычно использует SVM одного класса для изучения границ новизны?
- Эталонный образец, предназначенный для представления нормального поведения.
- Сбалансированные метки для каждой аномалии и вставки
- Только будущие точки запроса
- Последовательность идентификаторов кластеров из k-средних
- Что означает более поздняя точка за пределами изученной границы?
- Это однозначно провал
- В рамках такого подходящего представления оно является новым и требует интерпретации.
- Имеет калиброванную вероятность мошенничества.
- Должно быть, он был исключен из справочных данных по ошибке.
- Что контролирует гамму в ядре RBF?
- Точная доля будущих случаев, которые будут ошибочными
- Количество классов аномалий
- Как быстро сходство уменьшается с расстоянием
- Единица измерения переменной ответа
- Как следует интерпретировать nu в общепринятой формулировке?
- Нижняя граница ошибок обучения и верхняя граница опорных векторов
- Точная оценка распространенности популяционных аномалий
- Вероятность того, что будущая точка является аномальной
- Верхняя граница ошибок обучения и нижняя граница опорных векторов
- Зачем масштабировать функции перед установкой ядра SVM?
- Масштабирование автоматически устанавливает правильное значение.
- Единицы объектов влияют на расстояния и, следовательно, на границу ядра.
- Ядро игнорирует все значения функций после масштабирования.
- Он создает метки для неизвестных аномалий.
- Что может произойти, если эталонные данные обучения содержат много аномальных точек?
- Модель становится контролируемой сама по себе
- Nu гарантирует, что все аномалии будут устранены.
- Изученная граница может рассматривать некоторые аномалии как нормальные.
- Ядро меняется на семейство гауссовых ответов.
- Почему неопасное отклонение процесса может стать причиной ложных предупреждений о новинках?
- Все будущие точки используются для переоборудования границы.
- Гамма автоматически обнаруживает дрейф меток
- Nu — это точная реальная частота аномалий.
- Фиксированная граница больше не может охватывать измененное нормальное поведение.
- Какое утверждение относительно оценки решения является подходящим?
- Он отражает положение относительно установленной границы, а не причинный диагноз.
- Это калиброванная вероятность по определению.
- Он напрямую определяет, почему точка необычна.
- Он остается неизменным при каждом выборе масштабирования.