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.

Связанные направляющие путиОдин класс СВМ
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.

  1. 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
  2. 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.
  3. 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
  4. 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
  5. 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.
  6. 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.
  7. 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.
  8. 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.