แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ง่าย ระดับ
แบบทดสอบพื้นฐานการเรียนรู้ของเครื่อง
จำแนกงานแมชชีนเลิร์นนิงเชิงปฏิบัติ เปรียบเทียบพื้นฐาน ปกป้องข้อมูลการทดสอบ และระบุลักษณะทั่วไปหรือความล้มเหลวในการปรับใช้ที่ค่าเฉลี่ยสามารถซ่อนไว้ได้
คำถาม 1 ของ 8
ร้านค้าแห่งหนึ่งต้องการประมาณยอดขายของสัปดาห์หน้าเป็นตัวเงินจากยอดขายในอดีตและฟีเจอร์ปฏิทิน งานนี้คืองานประเภทใด
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ร้านค้าแห่งหนึ่งต้องการประมาณยอดขายของสัปดาห์หน้าเป็นตัวเงินจากยอดขายในอดีตและฟีเจอร์ปฏิทิน งานนี้คืองานประเภทใด
- Regression
- การจำแนกประเภท
- Clustering
- การสร้างข้อความ
- ทีมสนับสนุนกำหนดข้อความขาเข้าแต่ละข้อความให้ตรงกับป้ายกำกับปัญหาที่ทราบแล้ว 5 ป้ายกำกับ งานใดที่ตรงกับเป้าหมายนั้น
- Clustering
- การจำแนกประเภท
- Regression
- การลดมิติข้อมูล
- นักวิเคราะห์จัดกลุ่มบทความข่าวที่ไม่มีป้ายกำกับตามความคล้ายคลึงกันโดยไม่มีหัวข้อที่กำหนดไว้ล่วงหน้า กำลังใช้งานงานใดอยู่
- การจำแนกประเภท
- Regression
- Clustering
- Forecasting
- โมเดลทำคะแนนได้ 98% ในบันทึกการฝึกอบรมแต่มีประสิทธิภาพต่ำในบันทึกใหม่ ข้อกังวลหลักคืออะไร
- มีคอลัมน์อินพุตน้อยเกินไปตามคำนิยาม
- พิสูจน์แล้วว่าป้ายกำกับถูกต้อง
- เป็นโมเดลการจัดกลุ่มโดยจำเป็น
- อาจพอดีกับตัวอย่างการฝึกอบรมได้ดีโดยไม่ generalize ไปยังอินพุตใหม่
- เหตุใดทีมจึงควรเก็บชุดทดสอบสุดท้ายไว้จากการปรับจูนโมเดลซ้ำๆ
- การปรับจูนซ้ำๆ สามารถปรับการตัดสินใจให้เข้ากับชุดทดสอบได้ ซึ่งทำให้ความสามารถในการตรวจสอบที่เป็นอิสระลดลง
- ชุดทดสอบมีไว้สำหรับปรับพารามิเตอร์ของโมเดลเท่านั้น
- ชุดทดสอบป้องกันการเลือกเมตริก
- ชุดข้อมูลการฝึกอบรมต้องมีขนาดเล็กกว่าเสมอ
- ทีมพยากรณ์เปรียบเทียบโมเดลที่ซับซ้อนกับวิธี "ใช้ค่าของเมื่อวานนี้" ก่อนที่จะนำไปใช้ กฎง่ายๆ นั้นมีวัตถุประสงค์เพื่ออะไร
- ตัวแทนสำหรับการตรวจสอบหลังจากการปรับใช้
- เส้นฐานที่แสดงว่าความเพิ่มซับซ้อนให้ข้อมูลที่มีประโยชน์หรือไม่
- วิธีเปลี่ยนป้ายกำกับจากการถดถอยเป็นการจำแนกประเภท
- การรับประกันว่าโมเดลที่ซับซ้อนมีความยุติธรรม
- โมเดลที่ปรับใช้งานอยู่จู่ๆ ก็ได้รับอุณหภูมิเป็นหน่วยฟาเรนไฮต์หลังจากได้รับการฝึกอบรมด้วยหน่วยเซลเซียส บทเรียนในเวิร์กโฟลว์ใดที่นำมาใช้ได้
- ความแม่นยำในการทดสอบที่สูงทำให้หน่วยของอินพุตไม่สำคัญ
- สถาปัตยกรรมของโมเดลเท่านั้นที่อาจทำให้เกิดความล้มเหลวได้
- ข้อผิดพลาดอาจเกิดขึ้นจากการเตรียมการใช้งานจริงหรือการเปลี่ยนแปลงข้อกำหนดของอินพุต
- การปรับใช้งานช่วยลดความจำเป็นในการตรวจสอบอินพุต
- ตัวจำแนกประเภทมีความแม่นยำโดยเฉลี่ยสูงแต่พลาดกรณีฉุกเฉินที่พบได้ยากเกือบทั้งหมด ทีมควรทำอย่างไร
- ยอมรับเนื่องจากความแม่นยำโดยเฉลี่ยสูง
- ปรับแต่งบนชุดทดสอบสุดท้ายจนกว่าคะแนนจะดีขึ้น
- ลบกรณีที่พบได้ยากออกจากการประเมิน
- ตรวจสอบกรณีที่ล้มเหลวและเลือกเมตริกที่สะท้อนถึงผลลัพธ์ของข้อผิดพลาด