แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบความไม่สมดุลของชั้นเรียนและการสุ่มตัวอย่างใหม่
ทดสอบว่าเมื่อใดควรสุ่มตัวอย่างใหม่หรือปรับน้ำหนักคลาสที่หายาก ข้อมูลรั่วไหลได้อย่างไร และตัววัดใดยังคงมีประโยชน์ภายใต้ความไม่สมดุลของคลาส
คำถาม 1 ของ 8
เหตุใดความแม่นยำธรรมดาจึงเป็นตัวชี้วัดที่ไม่ดีสำหรับปัญหาการจำแนกประเภทที่ไม่สมดุลสูง
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- เหตุใดความแม่นยำธรรมดาจึงเป็นตัวชี้วัดที่ไม่ดีสำหรับปัญหาการจำแนกประเภทที่ไม่สมดุลสูง
- แบบจำลองสามารถทำคะแนนได้สูงมากเพียงแค่ทำนายชั้นเรียนส่วนใหญ่เท่านั้น
- ไม่สามารถคำนวณความแม่นยำได้เมื่อคลาสไม่สมดุล
- ความแม่นยำใช้ได้กับการถดถอยเท่านั้น
- จำเป็นต้องกำหนดข้อมูลที่สมดุลอย่างสมบูรณ์แบบ
- SMOT ทำอะไร?
- ลบตัวอย่างคลาสส่วนใหญ่โดยการสุ่ม
- สร้างตัวอย่างชนกลุ่มน้อยสังเคราะห์โดยการประมาณค่าระหว่างเพื่อนบ้าน
- เพิ่มอัตราการเรียนรู้สำหรับคลาสหายาก
- แปลงปัญหาการจำแนกประเภทเป็นการถดถอย
- วิธีใดจัดการกับความไม่สมดุลโดยไม่ต้องเปลี่ยนจำนวนตัวอย่างการฝึกอบรม
- การสุ่มตัวอย่างเกินขนาด
- สุ่มตัวอย่างคนส่วนใหญ่
- การถ่วงน้ำหนักคลาสในฟังก์ชันการสูญเสีย
- สโมต
- อะไรคือความเสี่ยงหลักของการใช้การสุ่มตัวอย่างเกินก่อนที่จะแยกข้อมูลของคุณออกเป็นชุดฝึกและชุดทดสอบ
- มันทำให้การฝึกช้าลง
- มันจะลบคลาสส่วนใหญ่
- มันมักจะทำให้เกิดความฟิตไม่เพียงพอ
- คะแนนส่วนน้อยที่ซ้ำกันหรือสังเคราะห์อาจรั่วไหลเข้าไปในชุดทดสอบ ส่งผลให้คะแนนเพิ่มขึ้น
- ข้อเสียหลักของการสุ่มตัวอย่างน้อยเกินไปคืออะไร
- โดยจะละทิ้งข้อมูลส่วนใหญ่ที่อาจเป็นประโยชน์
- มันสร้างข้อมูลปลอมที่อาจไม่สมจริง
- ใช้ได้กับข้อมูลรูปภาพเท่านั้น
- มันมักจะเพิ่มเวลาการฝึกอบรม
- ตัวชี้วัดใดที่เหมาะสมที่สุดสำหรับการประเมินแบบจำลองจากข้อมูลเชิงบวกที่หายาก
- ความแม่นยำโดยรวม
- คะแนน AUC หรือ F1 ที่แม่นยำในการเรียกคืน
- ค่าคลาดเคลื่อนกำลังสองเฉลี่ย
- จำนวนยุคการฝึกอบรม
- 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
- 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)