Викторина, связанная с руководством · Легко Уровень

Викторина по классификации текста

Назначение тестовых текстовых меток, задачи с несколькими метками, дисбаланс, отзыв, использование нулевого выстрела для конкретной задачи, встраивание, точная арифметика и выходные оценки.

Связанные направляющие путиКлассификация текста
Вопрос 1 из 8

How does a text classifier structure the output for an input document?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. How does a text classifier structure the output for an input document?
    • By necessarily translating it into another language
    • By assigning one or more predefined category labels
    • By generating only a new unrelated paragraph
    • By changing its compressed file format
  2. Какой сценарий является примером классификации по нескольким меткам?
    • Пометка электронного письма как спама или не спама
    • Маршрутизация заявки ровно в один отдел
    • Выбор одной звезды
    • Пометить статью одновременно тегами «политика» и «экономика»
  3. On a text dataset dominated by one class, what can a high overall accuracy conceal?
    • An inability to calculate any metric
    • Proof that recall equals one for every category
    • Failure to identify cases of a rare class
    • A guarantee that every minority example is correct
  4. Что измеряет отзыв в задаче классификации?
    • Сколько реальных случаев система успешно отловила
    • Сколько помеченных элементов было на самом деле правильным
    • Как быстро работает модель
    • Насколько велика модель
  5. In task-specific zero-shot text classification, what is absent for the new classification task?
    • All model pretraining of any kind
    • Every description of the candidate categories
    • The ability to use any learned representation
    • Labeled training examples for that task
  6. How can learned text embeddings contribute to a classification pipeline?
    • They guarantee perfect predictions on every new domain
    • They provide numerical features used to compute label scores
    • They delete every grammatical distinction by definition
    • They replace all label definitions with filenames
  7. A stated text-classification evaluation has six true positives and two false positives. What is precision for the designated positive class?
    • 75 percent
    • 25 percent
    • 100 percent
    • Six percent
  8. Which output-score design permits several text labels to score highly at once rather than requiring scores to sum to one?
    • A single softmax over mutually exclusive classes
    • A rule requiring exactly one positive label
    • A separate sigmoid output for each label
    • A filename-only representation without label scores