แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบตัวแยกประเภท Naive Bayes

ตรวจสอบว่า Naive Bayes รวมคลาส Priors และฟีเจอร์ที่น่าจะเป็นได้อย่างไร และวิธีที่ตัวแปรต่างๆ จัดการกับจำนวน คุณสมบัติไบนารี และข้อมูลต่อเนื่อง

เส้นทางแนะนำที่เกี่ยวข้องตัวแยกประเภท Naive Bayes
คำถาม 1 ของ 8

ข้อสันนิษฐานหลัก 'ไร้เดียงสา' ในลักษณนาม Naive Bayes คืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ข้อสันนิษฐานหลัก 'ไร้เดียงสา' ในลักษณนาม Naive Bayes คืออะไร
    • คุณลักษณะมีความเป็นอิสระตามเงื่อนไขที่กำหนดให้กับคลาส
    • ชั้นเรียนมีโอกาสเท่าเทียมกัน
    • คุณสมบัติทั้งหมดมีความต่อเนื่องและกระจายตามปกติ
    • ชุดข้อมูลมีความสมดุลอย่างสมบูรณ์แบบ
  2. ทฤษฎีบทใดที่ Naive Bayes สร้างขึ้น
    • ทฤษฎีบทขีดจำกัดกลาง
    • Bayes’ theorem
    • กฎแห่งจำนวนมาก
    • The Cauchy-Schwarz inequality
  3. เหตุใดการใช้งานจึงมักจะรวมความน่าจะเป็นของบันทึกแทนที่จะคูณความน่าจะเป็นแบบดิบ
    • เพื่อทำให้โมเดลไม่เชิงเส้น
    • เพื่อเร่งการฝึกให้ผ่านไปเพียงครั้งเดียว
    • เพื่อหลีกเลี่ยงไม่ให้ตัวเลขอันเดอร์โฟลว์จากการคูณจำนวนน้อยหลายๆ ตัว
    • เพื่อบังคับใช้ความเป็นอิสระของคุณสมบัติ
  4. การปรับให้เรียบของ Laplace (โปรแกรมเสริม) แก้ปัญหาอะไรได้บ้าง?
    • มันทำให้ขนาดชั้นเรียนสมดุล
    • มันทำให้คุณสมบัติต่อเนื่องเป็นปกติ
    • มันจะลบคุณสมบัติที่สัมพันธ์กัน
    • จะป้องกันไม่ให้คุณลักษณะที่มองไม่เห็นบังคับให้ความน่าจะเป็นเป็นศูนย์
  5. ตัวแปร Naive Bayes ใดที่เป็นธรรมชาติที่สุดสำหรับคุณสมบัติการนับจำนวนคำในเอกสาร
    • พหุนาม Naive Bayes
    • เกาส์เซียน ไร้เดียงสา เบย์ส
    • เบอร์นูลลี่ ไร้เดียงสา เบเยส
    • Bayes ไร้เดียงสาเชิงเส้น
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • รับประกันความถูกต้องแม่นยำสูงสุดบนชุดข้อมูลใดๆ
    • มันรวดเร็ว ตีความได้ และทำงานได้ดีกับข้อมูลเพียงเล็กน้อย
    • มันจะเรียนรู้การโต้ตอบของคุณสมบัติโดยอัตโนมัติ
    • มันไม่จำเป็นต้องมีข้อมูลการฝึกอบรม
  7. 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
  8. 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