Rehber bağlantılı sınav · Orta Seviye

Naive Bayes Sınıflandırıcıları Testi

Naive Bayes'in sınıf önceliklerini ve özellik olasılıklarını nasıl birleştirdiğini ve değişkenlerinin sayımları, ikili özellikleri ve sürekli verileri nasıl işlediğini kontrol edin.

İlgili kılavuz yollarıNaive Bayes Sınıflandırıcıları
Soru 1 arasında 8

Naive Bayes sınıflandırıcısındaki temel 'saf' varsayım nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. Naive Bayes sınıflandırıcısındaki temel 'saf' varsayım nedir?
    • Özellikler sınıfa göre koşullu olarak bağımsızdır
    • Sınıflar eşit olasılıkla
    • Tüm özellikler süreklidir ve normal dağılıma sahiptir
    • Veri kümesi mükemmel şekilde dengelenmiştir
  2. Naive Bayes hangi teorem üzerine kurulmuştur?
    • Merkezi limit teoremi
    • Bayes’ theorem
    • Büyük sayılar kanunu
    • The Cauchy-Schwarz inequality
  3. Uygulamalar neden ham olasılıkları çarpmak yerine genellikle log olasılıklarını topluyor?
    • Modeli doğrusal olmayan hale getirmek için
    • Eğitimi tek geçişe kadar hızlandırmak için
    • Çok sayıda küçük sayının çarpılmasından kaynaklanan sayısal taşmayı önlemek için
    • Özellik bağımsızlığını uygulamak için
  4. Laplace (bir tane ekleme) yumuşatma hangi sorunu çözer?
    • Sınıf mevcutlarını dengeler
    • Sürekli özellikleri normalleştirir
    • İlişkili özellikleri kaldırır
    • Görünmeyen bir özelliğin sıfır olasılığını zorlamasını engeller
  5. Belgelerdeki kelime sayımı özellikleri açısından hangi Naive Bayes çeşidi en doğaldır?
    • Çok terimli Naif Bayes
    • Gauss Saf Bayes
    • Bernoulli Naif Bayes
    • Doğrusal Naif Bayes
  6. Why might Naive Bayes be useful as a lightweight baseline?
    • Herhangi bir veri kümesinde en iyi doğruluğu garanti eder
    • Hızlıdır, yorumlanabilirdir ve az veriyle iyi çalışır
    • Özellik etkileşimlerini otomatik olarak öğrenir
    • Eğitim verisi gerektirmez
  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