Maswali yanayounganishwa na mwongozo · Kati Kiwango

Maswali ya Usawa wa Darasa na Usampulishaji upya

Hujaribu wakati wa kufanya sampuli upya au kuongeza uzito wa madarasa adimu, jinsi uvujaji wa data hutokea, na vipimo vipi vinasalia kuwa muhimu chini ya usawa wa darasa.

Njia za mwongozo zinazohusianaUsawa wa Darasa na Urekebishaji
Swali 1 ya 8

Kwa nini usahihi wazi ni kipimo duni kwa shida ya uainishaji isiyo na usawa?

Hakiki kila swali8 maswali

Majibu na maelezo huonekana unapojibu maswali.

  1. Kwa nini usahihi wazi ni kipimo duni kwa shida ya uainishaji isiyo na usawa?
    • Mwanamitindo anaweza kupata alama za juu sana kwa kutabiri tu tabaka la wengi kila wakati
    • Usahihi hauwezi kukokotwa wakati madarasa hayana usawa
    • Usahihi hufanya kazi tu kwa urejeshaji
    • Inahitaji data iliyosawazishwa kikamilifu ili kufafanuliwa
  2. SMOTE hufanya nini?
    • Hufuta sampuli za daraja la wengi bila mpangilio
    • Huzalisha sampuli za walio wachache sintetiki kwa kuingiliana kati ya majirani
    • Huongeza kiwango cha kujifunza kwa madarasa adimu
    • Hubadilisha tatizo la uainishaji kuwa regression
  3. Ni mbinu gani inashughulikia usawa BILA kubadilisha idadi ya mifano ya mafunzo?
    • Usampulishaji nasibu
    • Kutoa sampuli za walio wengi
    • Uzani wa darasa katika kazi ya upotezaji
    • SMOTE
  4. Ni hatari gani kuu ya kutumia sampuli nyingi kabla ya kugawanya data yako katika seti za treni na majaribio?
    • Inafanya mafunzo polepole
    • Inafuta tabaka la wengi
    • Daima husababisha kutofaulu
    • Alama za wachache zilizorudufiwa au sintetiki zinaweza kuvuja kwenye seti ya majaribio, na kuongeza alama
  5. Ni nini upande wa chini wa usampulishaji nasibu?
    • Hutupa data inayoweza kuwa muhimu ya watu wengi
    • Inaunda data bandia ambayo inaweza kuwa isiyo ya kweli
    • Inafanya kazi kwa data ya picha pekee
    • Daima huongeza muda wa mafunzo
  6. Ni kipimo gani kinafaa zaidi kwa kutathmini modeli kwenye data chanya adimu?
    • Usahihi wa jumla
    • Usahihi-Kumbuka alama ya AUC au F1
    • Wastani wa hitilafu ya mraba
    • Idadi ya vipindi vya mafunzo
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)