แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบความไม่สมดุลของชั้นเรียนและการสุ่มตัวอย่างใหม่

ทดสอบว่าเมื่อใดควรสุ่มตัวอย่างใหม่หรือปรับน้ำหนักคลาสที่หายาก ข้อมูลรั่วไหลได้อย่างไร และตัววัดใดยังคงมีประโยชน์ภายใต้ความไม่สมดุลของคลาส

คำถาม 1 ของ 8

เหตุใดความแม่นยำธรรมดาจึงเป็นตัวชี้วัดที่ไม่ดีสำหรับปัญหาการจำแนกประเภทที่ไม่สมดุลสูง

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. เหตุใดความแม่นยำธรรมดาจึงเป็นตัวชี้วัดที่ไม่ดีสำหรับปัญหาการจำแนกประเภทที่ไม่สมดุลสูง
    • แบบจำลองสามารถทำคะแนนได้สูงมากเพียงแค่ทำนายชั้นเรียนส่วนใหญ่เท่านั้น
    • ไม่สามารถคำนวณความแม่นยำได้เมื่อคลาสไม่สมดุล
    • ความแม่นยำใช้ได้กับการถดถอยเท่านั้น
    • จำเป็นต้องกำหนดข้อมูลที่สมดุลอย่างสมบูรณ์แบบ
  2. SMOT ทำอะไร?
    • ลบตัวอย่างคลาสส่วนใหญ่โดยการสุ่ม
    • สร้างตัวอย่างชนกลุ่มน้อยสังเคราะห์โดยการประมาณค่าระหว่างเพื่อนบ้าน
    • เพิ่มอัตราการเรียนรู้สำหรับคลาสหายาก
    • แปลงปัญหาการจำแนกประเภทเป็นการถดถอย
  3. วิธีใดจัดการกับความไม่สมดุลโดยไม่ต้องเปลี่ยนจำนวนตัวอย่างการฝึกอบรม
    • การสุ่มตัวอย่างเกินขนาด
    • สุ่มตัวอย่างคนส่วนใหญ่
    • การถ่วงน้ำหนักคลาสในฟังก์ชันการสูญเสีย
    • สโมต
  4. อะไรคือความเสี่ยงหลักของการใช้การสุ่มตัวอย่างเกินก่อนที่จะแยกข้อมูลของคุณออกเป็นชุดฝึกและชุดทดสอบ
    • มันทำให้การฝึกช้าลง
    • มันจะลบคลาสส่วนใหญ่
    • มันมักจะทำให้เกิดความฟิตไม่เพียงพอ
    • คะแนนส่วนน้อยที่ซ้ำกันหรือสังเคราะห์อาจรั่วไหลเข้าไปในชุดทดสอบ ส่งผลให้คะแนนเพิ่มขึ้น
  5. ข้อเสียหลักของการสุ่มตัวอย่างน้อยเกินไปคืออะไร
    • โดยจะละทิ้งข้อมูลส่วนใหญ่ที่อาจเป็นประโยชน์
    • มันสร้างข้อมูลปลอมที่อาจไม่สมจริง
    • ใช้ได้กับข้อมูลรูปภาพเท่านั้น
    • มันมักจะเพิ่มเวลาการฝึกอบรม
  6. ตัวชี้วัดใดที่เหมาะสมที่สุดสำหรับการประเมินแบบจำลองจากข้อมูลเชิงบวกที่หายาก
    • ความแม่นยำโดยรวม
    • คะแนน AUC หรือ F1 ที่แม่นยำในการเรียกคืน
    • ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
    • จำนวนยุคการฝึกอบรม
  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)