แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบตัวแยกประเภท Naive Bayes
ตรวจสอบว่า Naive Bayes รวมคลาส Priors และฟีเจอร์ที่น่าจะเป็นได้อย่างไร และวิธีที่ตัวแปรต่างๆ จัดการกับจำนวน คุณสมบัติไบนารี และข้อมูลต่อเนื่อง
คำถาม 1 ของ 8
ข้อสันนิษฐานหลัก 'ไร้เดียงสา' ในลักษณนาม Naive Bayes คืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ข้อสันนิษฐานหลัก 'ไร้เดียงสา' ในลักษณนาม Naive Bayes คืออะไร
- คุณลักษณะมีความเป็นอิสระตามเงื่อนไขที่กำหนดให้กับคลาส
- ชั้นเรียนมีโอกาสเท่าเทียมกัน
- คุณสมบัติทั้งหมดมีความต่อเนื่องและกระจายตามปกติ
- ชุดข้อมูลมีความสมดุลอย่างสมบูรณ์แบบ
- ทฤษฎีบทใดที่ Naive Bayes สร้างขึ้น
- ทฤษฎีบทขีดจำกัดกลาง
- Bayes’ theorem
- กฎแห่งจำนวนมาก
- The Cauchy-Schwarz inequality
- เหตุใดการใช้งานจึงมักจะรวมความน่าจะเป็นของบันทึกแทนที่จะคูณความน่าจะเป็นแบบดิบ
- เพื่อทำให้โมเดลไม่เชิงเส้น
- เพื่อเร่งการฝึกให้ผ่านไปเพียงครั้งเดียว
- เพื่อหลีกเลี่ยงไม่ให้ตัวเลขอันเดอร์โฟลว์จากการคูณจำนวนน้อยหลายๆ ตัว
- เพื่อบังคับใช้ความเป็นอิสระของคุณสมบัติ
- การปรับให้เรียบของ Laplace (โปรแกรมเสริม) แก้ปัญหาอะไรได้บ้าง?
- มันทำให้ขนาดชั้นเรียนสมดุล
- มันทำให้คุณสมบัติต่อเนื่องเป็นปกติ
- มันจะลบคุณสมบัติที่สัมพันธ์กัน
- จะป้องกันไม่ให้คุณลักษณะที่มองไม่เห็นบังคับให้ความน่าจะเป็นเป็นศูนย์
- ตัวแปร Naive Bayes ใดที่เป็นธรรมชาติที่สุดสำหรับคุณสมบัติการนับจำนวนคำในเอกสาร
- พหุนาม Naive Bayes
- เกาส์เซียน ไร้เดียงสา เบย์ส
- เบอร์นูลลี่ ไร้เดียงสา เบเยส
- Bayes ไร้เดียงสาเชิงเส้น
- Why might Naive Bayes be useful as a lightweight baseline?
- รับประกันความถูกต้องแม่นยำสูงสุดบนชุดข้อมูลใดๆ
- มันรวดเร็ว ตีความได้ และทำงานได้ดีกับข้อมูลเพียงเล็กน้อย
- มันจะเรียนรู้การโต้ตอบของคุณสมบัติโดยอัตโนมัติ
- มันไม่จำเป็นต้องมีข้อมูลการฝึกอบรม
- What distribution does Gaussian Naive Bayes assume for each feature within a class?
- A uniform distribution over every possible value
- A multinomial distribution over word counts
- A Gaussian (normal) distribution
- A distribution that is always exactly zero
- Which feature representation fits Bernoulli Naive Bayes most naturally?
- The number of times each word occurs
- A continuous pixel intensity modeled by a normal curve
- A sequence of audio frames
- Whether each word is present or absent in a document