แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการตรวจจับความผิดปกติ

ประเมินว่าเหตุใดความผิดปกติจึงยากต่อการติดป้ายกำกับ วิธีแยกฟอเรสต์และวิธีการความหนาแน่นเฉพาะจุดแตกต่างกันอย่างไร และเหตุใดเส้นฐานที่ใช้งานจึงสามารถลอยไป

เส้นทางแนะนำที่เกี่ยวข้องการตรวจจับความผิดปกติ
คำถาม 1 ของ 8

เหตุใดโมเดลการตรวจจับความผิดปกติจึงมักได้รับการฝึกอบรมเกี่ยวกับข้อมูล 'ปกติ' เป็นส่วนใหญ่ แทนที่จะติดป้ายกำกับความผิดปกติ

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดโมเดลการตรวจจับความผิดปกติจึงมักได้รับการฝึกอบรมเกี่ยวกับข้อมูล 'ปกติ' เป็นส่วนใหญ่ แทนที่จะติดป้ายกำกับความผิดปกติ
    • ข้อมูลปกติเป็นสิ่งผิดกฎหมายในการติดฉลาก
    • โมเดลไม่สามารถประมวลผลความผิดปกติได้เลย
    • ข้อมูลปกติไม่จำเป็นต้องมีการคำนวณ
    • ความผิดปกตินั้นพบได้ยากและตัวอย่างที่มีป้ายกำกับก็หายาก
  2. Isolation Forest ระบุความผิดปกติได้อย่างไร?
    • ความผิดปกติจะถูกแยกออกด้วยการแยกแบบสุ่มน้อยลง ทำให้ความยาวเส้นทางสั้นลง
    • ความผิดปกติจำเป็นต้องมีการแยกแบบสุ่มหลายครั้งเพื่อแยกออก
    • มันวัดสีของแต่ละจุดข้อมูล
    • โดยจะจัดกลุ่มจุดตามป้ายกำกับก่อน
  3. เมื่อใช้โปรแกรมเข้ารหัสอัตโนมัติเพื่อตรวจจับความผิดปกติ อะไรจะส่งสัญญาณถึงความผิดปกติ
    • ข้อผิดพลาดในการฟื้นฟูต่ำ
    • มีข้อผิดพลาดในการสร้างใหม่สูงในอินพุตที่ไม่คุ้นเคย
    • เวลาการฝึกอบรมที่เร็วขึ้น
    • เลเยอร์เพิ่มเติมในเครือข่าย
  4. วิธี Local Outlier Factor ขึ้นอยู่กับอะไรเป็นหลัก
    • ลำดับตัวอักษรของคุณสมบัติ
    • ขนาดไฟล์รวมของชุดข้อมูล
    • ความหนาแน่นของจุดรอบๆ จุดที่กำหนด
    • รายการคดีฉ้อโกงที่ทราบแล้ว
  5. ข้อใดคือความท้าทายที่สมจริงสำหรับระบบการตรวจจับความผิดปกติที่ปรับใช้
    • ความผิดปกติไม่เคยเปลี่ยนแปลงไปตามกาลเวลา
    • ข้อมูลปกติจะมีป้ายกำกับที่สมบูรณ์เสมอ
    • ค่าผิดปกติจะเป็นข้อมูลส่วนใหญ่เสมอ
    • คำจำกัดความของคำว่า 'ปกติ' อาจเลื่อนลอยไปโดยต้องมีการปรับตัว
  6. แอปพลิเคชันใดที่ใช้การตรวจจับความผิดปกติแบบคลาสสิก
    • การตรวจจับธุรกรรมบัตรเครดิตที่ฉ้อโกง
    • การจัดเรียงภาพถ่ายตามตัวอักษร
    • การแปลข้อความระหว่างภาษา
    • การบีบอัดไฟล์วิดีโอ
  7. 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
  8. 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