แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการตรวจจับความผิดปกติ
ประเมินว่าเหตุใดความผิดปกติจึงยากต่อการติดป้ายกำกับ วิธีแยกฟอเรสต์และวิธีการความหนาแน่นเฉพาะจุดแตกต่างกันอย่างไร และเหตุใดเส้นฐานที่ใช้งานจึงสามารถลอยไป
คำถาม 1 ของ 8
เหตุใดโมเดลการตรวจจับความผิดปกติจึงมักได้รับการฝึกอบรมเกี่ยวกับข้อมูล 'ปกติ' เป็นส่วนใหญ่ แทนที่จะติดป้ายกำกับความผิดปกติ
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดโมเดลการตรวจจับความผิดปกติจึงมักได้รับการฝึกอบรมเกี่ยวกับข้อมูล 'ปกติ' เป็นส่วนใหญ่ แทนที่จะติดป้ายกำกับความผิดปกติ
- ข้อมูลปกติเป็นสิ่งผิดกฎหมายในการติดฉลาก
- โมเดลไม่สามารถประมวลผลความผิดปกติได้เลย
- ข้อมูลปกติไม่จำเป็นต้องมีการคำนวณ
- ความผิดปกตินั้นพบได้ยากและตัวอย่างที่มีป้ายกำกับก็หายาก
- Isolation Forest ระบุความผิดปกติได้อย่างไร?
- ความผิดปกติจะถูกแยกออกด้วยการแยกแบบสุ่มน้อยลง ทำให้ความยาวเส้นทางสั้นลง
- ความผิดปกติจำเป็นต้องมีการแยกแบบสุ่มหลายครั้งเพื่อแยกออก
- มันวัดสีของแต่ละจุดข้อมูล
- โดยจะจัดกลุ่มจุดตามป้ายกำกับก่อน
- เมื่อใช้โปรแกรมเข้ารหัสอัตโนมัติเพื่อตรวจจับความผิดปกติ อะไรจะส่งสัญญาณถึงความผิดปกติ
- ข้อผิดพลาดในการฟื้นฟูต่ำ
- มีข้อผิดพลาดในการสร้างใหม่สูงในอินพุตที่ไม่คุ้นเคย
- เวลาการฝึกอบรมที่เร็วขึ้น
- เลเยอร์เพิ่มเติมในเครือข่าย
- วิธี Local Outlier Factor ขึ้นอยู่กับอะไรเป็นหลัก
- ลำดับตัวอักษรของคุณสมบัติ
- ขนาดไฟล์รวมของชุดข้อมูล
- ความหนาแน่นของจุดรอบๆ จุดที่กำหนด
- รายการคดีฉ้อโกงที่ทราบแล้ว
- ข้อใดคือความท้าทายที่สมจริงสำหรับระบบการตรวจจับความผิดปกติที่ปรับใช้
- ความผิดปกติไม่เคยเปลี่ยนแปลงไปตามกาลเวลา
- ข้อมูลปกติจะมีป้ายกำกับที่สมบูรณ์เสมอ
- ค่าผิดปกติจะเป็นข้อมูลส่วนใหญ่เสมอ
- คำจำกัดความของคำว่า 'ปกติ' อาจเลื่อนลอยไปโดยต้องมีการปรับตัว
- แอปพลิเคชันใดที่ใช้การตรวจจับความผิดปกติแบบคลาสสิก
- การตรวจจับธุรกรรมบัตรเครดิตที่ฉ้อโกง
- การจัดเรียงภาพถ่ายตามตัวอักษร
- การแปลข้อความระหว่างภาษา
- การบีบอัดไฟล์วิดีโอ
- What does the contamination setting commonly represent in an Isolation Forest workflow?
- The number of training trees that contain audio
- An assumed or expected proportion of outliers used for thresholding
- The probability a record was encrypted
- The average depth of a normal point
- Why should anomaly scores be reviewed with domain context?
- An anomaly score always proves fraud
- All normal data has an identical distribution
- Rare but valid events can look unusual, and errors have different costs
- A model score replaces an investigation