Rehber bağlantılı sınav · Orta Seviye

Sınıf Dengesizliği ve Yeniden Örnekleme Testi

Nadir sınıfların ne zaman yeniden örnekleneceğini veya yeniden ağırlıklandırılacağını, veri sızıntısının nasıl ortaya çıktığını ve sınıf dengesizliği durumunda hangi metriklerin yararlı olmaya devam ettiğini test eder.

İlgili kılavuz yollarıSınıf Dengesizliği ve Yeniden Örnekleme
Soru 1 arasında 8

Düz doğruluk neden oldukça dengesiz bir sınıflandırma problemi için zayıf bir ölçümdür?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Düz doğruluk neden oldukça dengesiz bir sınıflandırma problemi için zayıf bir ölçümdür?
    • Bir model her zaman çoğunluk sınıfını tahmin ederek çok yüksek puanlar alabilir
    • Sınıflar dengesiz olduğunda doğruluk hesaplanamaz
    • Doğruluk yalnızca regresyonda işe yarar
    • Tanımlanması için mükemmel şekilde dengelenmiş veriler gerekir
  2. SMOTE ne işe yarar?
    • Çoğunluk sınıfı örnekleri rastgele siler
    • Komşular arasında enterpolasyon yaparak sentetik azınlık örnekleri üretir
    • Nadir sınıfların öğrenme oranını artırır
    • Bir sınıflandırma problemini regresyona dönüştürür
  3. Hangi yaklaşım, eğitim örneklerinin sayısını değiştirmeden dengesizliği ele alır?
    • Rastgele aşırı örnekleme
    • Çoğunluğu yetersiz örnekleme
    • Kayıp fonksiyonunda sınıf ağırlıklandırma
    • SMOTE
  4. Verilerinizi eğitim ve test kümelerine bölmeden önce aşırı örnekleme uygulamanın önemli riski nedir?
    • Antrenmanı yavaşlatır
    • Çoğunluk sınıfını siler
    • Her zaman yetersiz uyum sağlar
    • Kopya veya sentetik azınlık noktaları test setine sızarak puanları şişirebilir
  5. Rastgele yetersiz örneklemenin ana dezavantajı nedir?
    • Potansiyel olarak yararlı çoğunluk sınıfı verilerini atar
    • Gerçekçi olmayabilecek sahte veriler oluşturur
    • Yalnızca görüntü verileri için çalışır
    • Her zaman eğitim süresini artırır
  6. Nadir pozitif veriler üzerindeki bir modeli değerlendirmek için en uygun metrik hangisidir?
    • Genel doğruluk
    • Hassasiyet-Geri Çağırma AUC veya F1 puanı
    • Ortalama kare hatası
    • Eğitim dönemi sayısı
  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)